Vol. 6 No.

3 Mei 2018
Pemilihan Alat Kontrasepsi pada Wanita Menggunakan Metode W eighted Product
Desti Fitriati, Ayu Sri Handayani

Sistem Komparasi Naive Bayes dan Decision Trees untuk Menentukan Klasifikasi Kegagalan Studi
Mahasiswa
Agnes Aryasanti

E-CRM: Strategi Bisnis guna Meningkatkan Kualitas Pelayanan Kredit Konsumtif Terhadap Loyalitas
Debitur pada PT. Bank Maluku, Ambon Maluku
Ilona Irena Gutandjala, Hendri Irawan

Aplikasi E-Arsip Pengamanan Pesan Elektronik Berbasis Web dengan Mengimplementasikan Algoritma
Kriptografi RSA dan Elgamal pada Klinik Dr. H. Hartono
Diah Anggraini, Safitri Juanita

Sistem Penunjang Keputusan Menggunakan Metode SAW untuk Menentukan Pemenang Tender Barang
dan Jasa Antara Instansi Pemerintah dengan Pihak Ketiga Di Kementerian Agraria dan Tata Ruang/Badan
Pertanahan Nasional
Komar Sidik, Sri Mulyati, Noni Juliasari

Implementasi Algoritma Djikstra untuk menentukan Jarak Terdekat Pencarian outlet Minimal Store
berbasis Android pada Area Jabodetabek
Rizky Tahara Shita, Fatmasari Tarigan

Analisa dan Desain Sistem Informasi Rawat Jalan Pada UPT Puskesmas Pondok Benda Berbasis Object
Oriented
Muharoron, Dian Anubhakti, Subandi

Sistem Presensi Karyawan Berbasis Pengenalan Wajah Menggunakan Metode Haar Cascade dan Local
Binary Pattern Histogram (LBPH)
Painem, Hari Soetanto

Implementasi One Time Password(OTP) dengan Algoritma Message Digest 5 (MD5) pada Sistem Login
E-Learning
Wili Yudha Diningrum, Mardi Hardjianto

Membangun Sistem Berbudiluhur.com untuk Crow dfunding dan Volunteering

Bruri Trya Sartana, Ririt Roeswidiah, M. Hanif Rifa’i Istifarulah

Diagnosis Smear-Negative Pulmonary Tuberculosis: Studi Pendahuluan

Rusdah, Nidya Kusumawardhany

Sistem Pelayanan Masyarakat Tingkat RT/RW berbasis Android

Dewi Kusumaningsih, M.Syafrullah, Ahmad Pudoli, Subandi

Model Sistem Keamanan pada Aplikasi Pengolahan Nilai menggunakan Algoritma Haar Cascade Classifier
dan Algoritma Fisherface
Tri Sugihartono, Nazori AZ, Sofian Lusa
ASOSIASI PERGURUAN TINGGI INFORMATIKA & ILMU KOMPUTER (APTIKOM) WILAYAH 3
Sekretariat Redaksi :
Program Pascasarjana Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Jakarta Selatan 12260
Telp. 021.5853753 Fax .021.5869225
 JURNAL ILMIAH
TICOM

Jurnal TICOM adalah jurnal ilmiah dalam bidang teknologi informasi dan
komunikasi (TIK) yang diterbitkan oleh Asosiasi Perguruan Tinggi Informatika
dan Ilmu Komputer (Aptikom) wilayah 3. Jurnal TICOM terbit 3 kali dalam satu
tahun yaitu: September, Januari dan Mei

Pelindung:
Ketua APTIKOM Wilayah 3: Mochamad Wahyudi, M.M., M.Kom., M.Pd.
(STIMIK Nusa Mandiri)

Ketua Dewan Redaksi:

Dr. Ir. Nazori AZ, MT (Universitas Budi Luhur)

Redaksi Pelaksana:
Dra. Andiani, M.Kom (Universitas Pancasila)
Ina Agustina, S.Si, S.Kom, MMSI (Universitas Nasional)
Dwiza Riana, S.Si, MM, M.Kom (STMIK Nusa Mandiri)
Nani Tachjar, S.Kom, MT (ABFI Institute Perbanas)
I.G.N. Mantra, M.Kom (ABFI Institute Perbanas)
Muhaemin, MM, M.Kom (STMIK Indonesia)

Mitra Bestari:
Prof. Jazi Eko Istiyanto, Ph.D (Universitas Gadjah Mada)
Prof. Iping Supriana Suwardi (Institut Teknologi Bandung)
Prof. Dr. Ir. Richardus Eko Indrajit, M.Sc (ABFI Institute Perbanas)
Prof. Dr. Djoko Lianto Buliani (ITS Surabaya)
Prof. Dr. Zainal Hasibuan (Universitas Indonesia)

Dewan Editor:
Benfano Soewito, ST, M.Sc, Ph.D (Universitas Bakrie)
Dr. Iskandar Fitri, ST, MT (Universitas Nasional)
Muhammad Agni Catur Bhakti, ST, MSc, Ph.D (Universitas Pancasila)
Dr. Manik Haspara, M.Kom (Universitas Bakrie)
Prof. Marsudi Wahyu Kisworo, Ph.D ( ABFI Institute Perbanas)
Prof. Dr. Ir. Kaman Nainggolan, MS (STMIK Nusa Mandiri)
Rusdah, S.Kom, M.Kom (Universitas Budi Luhur)

Sekretariat Redaksi:
Program Pascasarjana Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Jakarta Selatan 12260
Email: jurnalticom@yahoo.co.id
nazori@budiluhur.ac.id
 JURNAL ILMIAH
TICOM

EDITORIAL
Puji dan syukur kehadirat Tuhan Yang Maha Esa, karena atas rahmat-Nya jurnal ilmiah “TICOM” ini dapat
diterbitkan. Penerbitan jurnal ilmiah ini diharapkan dapat menjadi wadah bagi akademisi dan praktisi untuk
menuangkan ide-ide dan pembahasan seputar isu-isu di bidang Teknologi Informasi dan Komunikasi (TIK).

Penerbitan jurnal TICOM edisi ini adalah merupakan penerbitan Vol. 6 No. 3 Mei 2018, yang memuat 13
paper dari berbagai perguruan tinggi yang merupakan hasil penelitian dan kajian ilmiah. Topik jurnal edisi
ini memuat:

1. Pemilihan Alat Kontrasepsi pada Wanita Menggunakan Metode Weighted Product

2. Sistem Komparasi Naive Bayes dan Decision Trees untuk Menentukan Klasifikasi Kegagalan Studi
Mahasiswa
3. E-CRM: Strategi Bisnis guna Meningkatkan Kualitas Pelayanan Kredit Konsumtif Terhadap
Loyalitas Debitur pada PT. Bank Maluku, Ambon Maluku
4. Aplikasi E-Arsip Pengamanan Pesan Elektronik Berbasis Web dengan Mengimplementasikan
Algoritma Kriptografi RSA dan Elgamal pada Klinik Dr. H. Hartono
5. Sistem Penunjang Keputusan Menggunakan Metode SAW untuk Menentukan Pemenang Tender
Barang dan Jasa Antara Instansi Pemerintah dengan Pihak Ketiga Di Kementerian Agraria dan Tata
Ruang/Badan Pertanahan Nasional
6. Implementasi Algoritma Djikstra untuk menentukan Jarak Terdekat Pencarian outlet Minimal Store
berbasis Android pada Area Jabodetabek
7. Analisa dan Desain Sistem Informasi Rawat Jalan Pada UPT Puskesmas Pondok Benda Berbasis
Object Oriented
8. Sistem Presensi Karyawan Berbasis Pengenalan Wajah Menggunakan Metode Haar Cascade dan
Local Binary Pattern Histogram (LBPH)
9. Implementasi One Time Password(OTP) dengan Algoritma Message Digest 5 (MD5) pada Sistem
Login E-Learning
10. Membangun Sistem Berbudiluhur.com untuk Crowdfunding dan Volunteering
11. Diagnosis Smear-Negative Pulmonary Tuberculosis: Studi Pendahuluan
12. Sistem Pelayanan Masyarakat Tingkat RT/RW berbasis Android
13. Model Sistem Keamanan pada Aplikasi Pengolahan Nilai menggunakan Algoritma Haar Cascade
Classifier dan Algoritma Fisherface

Sebagai penutup, kami selaku tim redaksi ingin mengucapkan terima kasih kepada berbagai pihak yang
banyak membantu sehingga terbitnya jurnal TICOM Vol. 6 No. 3 Mei 2018 ini. Tak lupa pula kami
mengucapkan terima kasih kepada para penulis yang telah bersedia menyumbangkan karya tulisnya dari
mulai tahapan reviewer, editing sehingga “camera ready paper” sesuai dengan aturan yang telah ditetapkan
jurnal TICOM.

Jakarta, Mei 2018

Tim Redaksi
 JURNAL ILMIAH
TICOM VOL.6 NO. 3 MEI 2018

DAFTAR ISI

1. Pemilihan Alat Kontrasepsi pada Wanita Menggunakan Metode Weighted Product

Desti Fitriati, Ayu Sri Handayani .................................................................................................................... 96

2. Sistem Komparasi Naive Bayes dan Decision Trees untuk Menentukan Klasifikasi Kegagalan Studi Mahasiswa
Agnes Aryasanti...................…...................................................................................................................... 103

3. E-CRM: Strategi Bisnis guna Meningkatkan Kualitas Pelayanan Kredit Konsumtif Terhadap Loyalitas Debitur
pada PT. Bank Maluku, Ambon Maluku
Ilona Irena Gutandjala, Hendri Irawan........................................................................................................... 112

4. Aplikasi E-Arsip Pengamanan Pesan Elektronik Berbasis Web dengan Mengimplementasikan Algoritma
Kriptografi RSA dan Elgamal pada Klinik Dr. H. Hartono
Diah Anggraini, Safitri Juanita.................................................................................….................................. 122

5. Sistem Penunjang Keputusan Menggunakan Metode SAW untuk Menentukan Pemenang Tender Barang dan
Jasa Antara Instansi Pemerintah dengan Pihak Ketiga Di Kementerian Agraria dan Tata Ruang/Badan
Pertanahan Nasional
Komar Sidik, Sri Mulyati, Noni Juliasari........................................................................................................ 132

6. Implementasi Algoritma Djikstra untuk menentukan Jarak Terdekat Pencarian outlet Minimal Store berbasis
Android pada Area Jabodetabek
Rizky Tahara Shita, Fatmasari Tarigan..................................................….................................................... 140

7. Analisa dan Desain Sistem Informasi Rawat Jalan Pada UPT Puskesmas Pondok Benda Berbasis Object
Oriented
Muharoron, Dian Anubhakti, Subandi..............…............................................................................................ 147

8. Sistem Presensi Karyawan Berbasis Pengenalan Wajah Menggunakan Metode Haar Cascade dan Local Binary
Pattern Histogram (LBPH)
Painem, Hari Soetanto........................................................................................................................................ 153

9. Implementasi One Time Password(OTP) dengan Algoritma Message Digest 5 (MD5) pada Sistem Login
E-Learning
Wili Yudha Diningrum, Mardi Hardjianto..................................................................................................... 160

10. Membangun Sistem Berbudiluhur.com untuk Crowdfunding dan Volunteering

Bruri Trya Sartana, Ririt Roeswidiah, M. Hanif Rifa’i Istifarulah................................................................ 165

11. Diagnosis Smear-Negative Pulmonary Tuberculosis: Studi Pendahuluan

Rusdah, Nidya Kusumawardhany................................................................................................................. 172

12. Sistem Pelayanan Masyarakat Tingkat RT/RW berbasis Android

Dewi Kusumaningsih, M.Syafrullah, Ahmad Pudoli, Subandi.................................................................... 181

13. Model Sistem Keamanan pada Aplikasi Pengolahan Nilai menggunakan Algoritma Haar Cascade Classifier
dan Algoritma Fisherface
Tri Sugihartono, Nazori AZ, Sofian Lusa......................................................................................................... 188

Pemilihan Alat Kontrasepsi pada Wanita
Menggunakan Metode Weighted Product
Desti Fitriati#1 , Ayu Sri Handayani #2
#
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Pancasila
Jl. Srengseng Sawah, Jagakarsa Jakarta Selatan 12640
1desti.fitriati@univpancasila.ac.id
2ayushanda@gmail.com
Abstrak — Permasalahan yang ada di Indonesia salah
satunya yaitu tingkat kependudukan yang tinggi. Untuk
mengatasi permasalahan ini, pada tahun 1970 pemerintah
telah melaksanakan program Keluarga Berencana (KB)
yang bertujuan untuk menekan angka pertambahan
penduduk. Cara alternatif yang dapat dilakukan yaitu
dengan menggunakan metode/alat kontrasepsi. Banyak
wanita mengalami kesulitan saat memilih metode/alat
kontrasepsi yang aman dan efektif karena efek yang
diterima berbeda-beda. Mengenai pemilihan alternatif
tersebut, banyak metode yang tersedia dalam Sistem
Pendukung Keputusan (SPK). Dalam penelitian ini, metode
yang digunakan yaitu Weighted Product (WP) untuk
mengetahui hasil alternatif yang terbaik. Dalam metode ini
tersedia 9 (sembilan) kriteria dan 5 alternatif alat
kontrasepsi untuk wanita. Untuk pengujian hasil
dilakukan perbandingan dari hasil yang diberikan bidan
dengan hasil dari sistem. Hasil akurasi yang didapat yaitu
30%.
Kata Kunci : Sistem Pendukung Keputusan, Alat
Kontrasepsi, Weighted Product
Abstract — The problems that exist in Indonesia one of
which is a high rate of population. To resolve this problem, in
1970 the goverment has been implementing the Family
Planning Program that aims to suppress the population
figures. An alternative way to do that is by using the
method/contraception. Many women have difficulty choosing
the method/contraception safe and effective because the
effects are different. Regarding of choosing the alternatives,
there is more than one method in Decision Support System
(DSS). In this research, the method used Weighted Product
(WP) to find out the results of the alternative. This method is
available 9 (nine) criteria and 5 (five) alternative
contraceptive for women. For the test results do comparison
of the results given the midwife with the results of the system.
The accuracy of the result is 30%.
Keywords : DSS, Contraception, Weighted Product
96
Jurnal TICOM Vol. 6 No.3 Mei 2018
I. PEND AHULU AN
Menurut koran nasional Kompas tahun 2010 berdasarkan
hasil Sensus Penduduk 2000 dikatakan bahwa Indonesia
merupakan salah satu negara yang menduduki peringkat ke-4
sebagai negara dengan penduduk terpadat di dunia setelah
negara China, India dan Amerika Serikat [1]. Menurut Badan
Pusat Statistik (BPS) pada tahun 1971-2010 jumlah penduduk
Indonesia mencapai 237,641,326 jiwa. Untuk mengatasi
permasalahan kependudukan yang ada di Indonesia sejak tahun
1970 pemerintah telah melaksanakan program Keluarga
Berencana (KB) bertujuan untuk menekan angka pertambahan
penduduk [2].
KB merupakan suatu usaha untuk mengukur jumlah dan
jarak anak yang diinginkan. Cara alternatif untuk mencegah
atau menunda kehamilan adalah menggunakan alat kontrasepsi
[3]. Dalam program KB salah satunya diadakan pemasangan
alat kontrasepsi yang sering dilakukan oleh wanita agar
pasangan suami istri dapat melakukan hubungan intim tanpa
harus khawatir akan terjadinya pembuahan, sehingga angka
kelahiran dapat ditekan.
Namun banyak wanita yang mengalami kesulitan dalam
memilih jenis alat kontrasepsi. Tidak semua alat kontrasepsi
aman dan efektif bagi klien, karena efek yang diterima berbeda-
beda. Oleh karena itu ada berbagai faktor yang harus
dipertimbangkan baik mengenai keuntungan maupun efek
samping dari pemakaian alat kontrasepsi [4].
Berdasarkan masalah yang sudah dijelaskan di atas, maka
penelitian ini membangun dan mengembangkan suatu sistem
dengan menggunakan Sistem Pendukung Keputusan (SPK).
Pada pembangunan dan pengembangan SPK ini menggunakan
sebuah metode Weighted Product (WP) yang merupakan salah
satu algoritma Multiple Attribute Decission Making (MADM).
Penelitian ini dimaksudkan untuk membangun dan
mengembangkan suatu sistem yang telah dibuat oleh
Nirwansyah, Hardhienata, dan Mulyana[5] dengan judul
penelitiannya adalah Pemilihan Alat Bantu Kontrasepsi
Menggunakan Metode Weighted Product (WP) untuk Keluarga
Berencana. pada penelitiannya ada 5 kriteria yang digunakan

dimana kriteria-kriteria tersebut tidak dijelaskan asal
informasinya dan ada pula 14 jenis alat kontrasepsi yang
dipakai termasuk untuk pria dan wanita. Selain itu, tidak
diketahui akurasi yang diperoleh dari sistem yang telah dibuat.
Pengembangan sistem pada penelitian ini yaitu dengan
menambahkan kriteria yang digunakan penelitian Nirwansyah,
Hardhienata, dan Mulyana[5] dengan kriteria-kriteria yang
diperoleh dari Kementerian Kesehatan tahun 2013 dengan alat
kontrasepsi untuk wanita yang diambil dari penelitian
Maftukhah dan Rusito[6]. Sistem yang dimaksudkan untuk
membantu anggota KB khususnya pada wanita dalam memilih
alat KB yang dijadikan sebagai rekomendasi yang sesuai
dengan peringkat tertinggi.
II. LAND ASAN TEORI
2.1 Badan Kependudukan dan Keluarga Berencana
Nasional
Badan Kependudukan dan Keluarga Berencana Nasional
(BKKBN) merupakan institusi atau lembaga pemerintah pusat
yang menyelenggarakan tugas pemerintahan di bidang
pengendalian pengendalian penduduk dan penyelenggaraan
Keluarga Berencana. Fungsi dari BKKBN yaitu sebagai
perumusan kebijakan nasional dibidang pengendalian
penduduk dan penyelenggaraan KB; penetapan norma, standar,
prosedur, dan kriteria di bidang pengendalian penduduk dan
penyelenggaraan KB; penyelenggaraan komunikasi, informasi,
dan edukasi di bidang pengendalian penduduk dan
penyelenggaraan KB; pembinaan, pembimbingan, dan fasilitasi
di bidang pengendalian penduduk dan penyelenggaraan KB;
penyelenggaraan pelatihan, penelitian dan pengembangan
dibidang pengendalian penduduk dan penyelenggaraan KB[1].
2.2 Program Keluarga Berencana
Menurut Departemen Kesehatan[7] Program KB adalah
bagian terpadu dalam program pembangunan nasional untuk
menciptakan kesejahteraan ekonomi, spiritual dan sosial
budaya penduduk Indonesia agar mencapai keseimbangan yang
baik dengan kemampuan produksi sosial.
2.3 Kontrasepsi
Kontrasepsi berasal dari kata kontra yang artinya
‘mencegah’ sedangkan konsepsi adalah pertemuan antara sel
telur (sel wanita) yang matang dengan sel sperma (sel pria)
yang mengakiabtkan kehamilan. Maksud dari kontrasepsi
adalah menghindari atau mencegah terjadinya suatu kehamilan
akibat pertemuan antara sel telur yang matang dengan sel
sperma[8].
Salah satu cara untuk mencegah terjadinya konsepsi
adalah menggunakan alat atau obat-obatan[9]. Terdapat
beberapa jenis alat kontrasepsi pada wanita antara lain:
1. Kontrasepsi Pil;
2. Kontrasepsi Suntik;
3. Kontrasepsi Susuk atau Implan; dan
4. Kontrasepsi IUD (Intra Uterine Device).
97
Jurnal TICOM Vol. 6 No.3 Mei 2018
2.4 Sistem Pendukung Keputusan
Menurut Alter, sistem pendukung keputusan adalah
sistem informasi interaktif yang menyediakan informasi,
pemodelan dan manipulasi usyu data. sistem yang digunakan
untuk membantu dalam pengambilan keputusan dalam situasi
yang semi terstruktur maupun situasi yang tidak terstruktur,
dimana tidak ada seorang pun yang tahu secara pasti bagaimana
keputusan seharusnya dibuat.
Dibawah ini adalah beberapa kriteria atau ciri-ciri dari
keputusan sebagai berikut:
1. Banyak pilihan atau alternatif;
2. Adanya kendala atau surat;
3. Mengikuti suatu pola atau model tingkah laku, baik yang
terstruktur maupun tidak terstruktu;
4. Banyak input atau variabel; dan
5. Ada faktor resiko.
III. MET ODOLOGI PENELITIAN
Metode penelitian sangat diperlukan untuk memperoleh
data yang tepat dan akurat diantaranya adalah :
4.1. Data
Data yang diperlukan dalam penelitian ini adalah Data
Primer dan Data Sekunder. Data Primer yang digunakan adalah
penyebaran kuesioner sebanyak 30 data sampling kepada
anggota maupun non anggota KB dan data-data yang berkaitan
dengan proses pemilihan alat kontrasepsi yang cocok.
Sedangkan data sekunder adalah data yang diperoleh dari
jurnal, buku maupun internet yang mendukung penelitian.
4.2. Analisis Sistem dan Perhitungan
Metode WP merupakan salah satu dari beberapa metode
yang ada pada MADM (Multi Attribute Decision Making).
Metode MADM merupakan metode pengambilan keputusan
yang didasarkan pada beberapa kriteria. Konsep
permasalahannya adalah mengevaluasi n Alternatif Ai
(i=1,2,3...,n) terhadap sekumpulan kriteria Cj (j=1,2,3,...,n)
dimana setiap kriteria saling bergantung satu dengan lainnya.
Dalam melakukan penelitian dengan menggunakan metode WP
terlebih dahulu menentukan nilai bobot pada setiap kriteria.
Metode WP menggunakan proses normalisasi yang
dimana rating setiap atribut harus dipangkatkan terlebih dahulu
dengan bobot kriteria yang bersangkutan. Berikut adalah rumus
dari proses normalisasi:
= ∏ (1)
dengan i = 1,2,3,...,n dimana :
S : preferensi alternatif;
x : nilai kriteria;
w : bobot Kriteria;
n : banyaknya kriteria.
wj adalah pangkat positif untuk atribut keuntungan dan
bernilai negatif untuk atribut biaya.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Pembobotan masing-masing kriteria telah disetujui oleh

1. Alternatif (Ai) salah satu Bidan di Rumah Bersalin Permata Hati Bogor. Tabel
Alternatif Ai dengan i=1,2,..,n merupakan objek-objek 1 menunjukkan pembobotan kriteria.
yang berbeda dan memiliki kesempatan yang sama untuk
diambil oleh pengambil keputusan. T ABEL 1.
B OBO T SET IAP KR ITER IA
Data yang digunakan adalah data yang didapatkan dari
NO Kode KRITERIA SUB- NILAI
bidan yaitu sebanyak 5 jenis alat kontrasepsi:
KRITERIA
A1 : Suntik Kombinasi;
1 C1 USIA < 20 TAHUN 10
A2 : Pil;
A3 : IUD; 20 - 35 50
A4 : Implan; TAHUN
A5 : Suntik Progesteron. > 35 TAHUN 30
Preferensi relatif dari setiap alternatif diberikan sebagai 2 C2 JUMLAH 0 ANAK 10
berikut: ANAK
1 - 2 ANAK 50
∏
Vi = ∏
(2) > 2 ANAK 20
( )

Dimana : 3 C3 HARGA < 50.000 50

V : Preferensi alternatif; 50.000 - 10
X : Nilai kriteria; 100.000
w : Bobot kriteria. > 100.000 30
4 C4 RIWAYAT Penyakit 10
Alternatif yang dipilih adalah alternatif yang memiliki PENYAKIT Kardiovaskular
nilai preferensi tertinggi. Penyakit 10
Neurologis
2. Kriteria (Cj) Depresi 10
Untuk memilih alat kontrasepsi yang cocok untuk wanita,
Penyakit 30
maka dibutuhkan sebanyak 9 (sembilan) kriteria yang Reproduksi
dibutuhkan. Kriteria ini diambil dari jurnal penelitian Penyakit 10
Nirwansyah, Hardhienata, dan Mulyana[5] sebanyak 2 (dua) Endokrin
buah kriteria dan jurnal penelitian dari Maftukhah dan Penyakit 10
Rusito[6] dengan kriteria-kriteria yang diperoleh dari Gastrointestin
Kementerian Kesehatan tahun 2013. Kriteria (Cj) yang Anemia 30
ditetapkan adalah: Kanker 10
C1 : Usia;
C2 : Jumlah Anak; Tidak Ada 40
C3 : Harga; 5 C5 PENDARAHAN Perdarahan 40
C4 : Riwayat Penyakit; RAHIM Ireguler
C5 : Pendarahan Rahim; Perdarahan 30
C6 : Tekanan Darah; banyak/lama
C7 : Indeks Massa Tubuh (IMT); 6 C6 TEKANAN < 160/100 40
C8 : Massa Menyusui; DARAH mmHg
>= 160/100 30
C9 : Nyeri Kepala.
mmHg
7 C7 INDEKS < 30 kg/m2 20
Untuk langkah perhitungan terdiri dari beberapa tahap MASSA
yaitu menentukan bobot setiap alternatif, menentukan matriks >= 30 kg/m2 40
TUBUH
keputusan dan penghitungan menggunakan metode WP. 8 C8 MASA 6 minggu - <6 30
A. Menentukan Bobot Setiap Alternatif MENYUSUI bulan
Untuk menentukan nilai bobot setiap alternatif pada setiap >= 6 bulan 40
kriteria, pada penelitian ini dinilai 10-50, gradasi pembobotan pascapersalinan
ini mengacu pada skala biasa yaitu : 9 C9 NYERI Non Migrain 30
10 = Sangat Tidak Penting KEPALA
Migrain 20
20 = Tidak Penting
30 = Cukup Penting
40 = Penting B. Menentukan Matriks Keputusan
50 = Sangat Penting Penilaian awal yang dimasukkan ke dalam sistem
database oleh admin merupakan penilaian rating kecocokan

98
 Jurnal TICOM Vol. 6 No.3 Mei 2018

alternatif (Alat KB) terhadap kriteria. Penilaian tersebut Sehingga hasil perhitungan vektor S secara keseluruhan
menghasilkan matriks keputusan. berikut ini adalah contoh dapat ditunjukkan melalui Tabel IV.
matriks keputusan yang dipakai melalui Tabel II.
T ABEL IV.
T ABEL II. H AS IL PERH IT UN GA N VEK TOR S
R A T ING KECO CO KA N Vektor S Nilai
C1 C2 C3 C4 C5 C6 C7 C8 C9 S1 11,539
A1 30 10 20 10 30 40 30 30 30 S2 11,163
A2 30 10 10 10 30 40 30 30 40 S3 9,776
A3 40 20 40 10 20 40 20 20 40 S4 10,234
A4 30 20 40 10 20 20 20 30 40 S5 11,730
A5 40 10 40 10 20 20 20 30 30 Total 54,442

C. Perhitungan Metode WP 3. Menghitung preferensi alternatif V

Perhitungan menggunakan metode WP terdiri atas Berikut adalah perhitungan preferensi alternatif V
beberapa tahap, yaitu menghitung bobot, menghitung nilai berdasarkan hasil perhitungan Vektor S pada Tabel IV.
vektor S dan menghitung preferensi alternatif V.
1. Menghitung Perbaikan bobot ,
V1 = = 0,211
,
Nilai bobot berdasarkan data dari salah satu kuisioner
yang diperoleh ditunjukkan melalui Tabel III.
Sehingga hasil perhitungan vektor V secara keseluruhan
T ABEL III. dapat ditunjukkan melalui Tabel V.
N ILA I B OBO T
C1 C2 C3 C4 C5 C6 C7 C8 C9 T ABEL V.
H AS IL PERH IT UN GA N R AN GK ING VEK TOR V
20 40 30 30 20 20 40 40 40
Vektor Nama Alat
Nilai Rangking
V Kb
Persamaan perbaikan bobot adalah sebagai berikut :
Suntik
Wj = ∑ … … … … … … (3) V1 0,211 2
Kombinasi
V2 Pil 0,205 3
Berikut ini merupakan hasil perhitungan perbaikan bobot V3 Implan 0,180 5
: V4 IUD 0,188 4
= = 0,071 Suntik
V5 0,215 1
−40 Progesteron
= = −0,143
280
= = 0,107
IV. HASIL DAN PEMB AHASAN
30
= = 0,107
280 5.1. Hasil Pengujian
= = 0,071 Hasil pengujian yang dilakukan adalah hasil pengujian
20 perbandingan dari hasil perhitungan sistem yang didapat
= = 0,071 dengan hasil yang diberi oleh bidan dengan sesuai banyaknya
280
= = 0,143 data sampling yaitu sebanyak 30 data. hasil pengujian ini
40 dilakukan untuk mengetahui hasil akurasi yang didapat. Hasil
= = 0,143 pengujian perbandingan dapat dilihat pada Tabel VI.
280
40
= = 0,143 T ABEL VI.
280 H AS IL PENG UJ IAN PERBA ND ING AN
Data Rekomendasi
2. Menghitung vektor S Perbandingan
ke- Sistem Bidan
Berikut ini merupakan perhitungan vektor S untuk Suntik Suntik
Kombinasi (A1) dengan menggunakan perbaikan bobot. 1 IUD Tidak Sama
Progesteron
Suntik
1 = (30 ,
)(40 ,
)(30 ,
) 2 IUD Tidak Sama
, , ,
Kombinasi
(30 )(30 )(30 ) Suntik
(30 ,
)(30 ,
)(30 ,
= 11,539 3 IUD Tidak Sama
Progesteron

99
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Suntik Suntik Pada Tabel 4(a) menunjukkan bahwa jumlah data yang
4 Tidak Sama
Kombinasi Progesteron sama antara rekomendasi alternatif terbaik dalam sistem
Suntik Suntik menggunakan metode WP dengan hasil alternatif rekomendasi
5 Tidak Sama bidan sebanyak 9 dari 30 data sampling. Berdasarkan hasil
Kombinasi Progesteron
Suntik tersebut maka dilakukan perhitungan akurasi sebagai berikut:
6 IUD Tidak Sama
Progesteron
Suntik Akurasi = 100% (1)
7 IUD Tidak Sama
Progesteron
Suntik
8 IUD Tidak Sama = 100% = 30%
Kombinasi
Suntik Suntik
9 Sama Berdasarkan hasil yang telah didapat, maka tingkat
Progesteron Progesteron
Suntik akurasi yang didapat adalah 30%.
10 IUD Tidak Sama
Kombinasi
Suntik
11 Pil Tidak Sama 5.2. Dialog User Interface
Progesteron
Suntik a. Antar Muka Login
12 IUD Tidak Sama
Progesteron
Suntik Antar muka login hanya terdapat untuk level admin.
13 IUD Tidak Sama Sebelum masuk ke sistem, admin terlebih dahulu harus
Progesteron
Suntik melakukan login. Untuk menjaga keamanan sistem maka
14 IUD Tdak Sama disediakan fasilitas password seperti terlihat pada Gambar 1.
Progesteron
Suntik Suntik
15 Tidak Sama
Kombinasi Progesteron
Suntik Suntik
16 Sama
Kombinasi Kombinasi
Suntik Suntik
17 Sana
Kombinasi Progesteron
Suntik Suntik
18 Tidak Sama
Kombinasi Progesteron
Suntik Suntik
19 Tidak Sama Gbr 1. Halaman Login
Progesteron Kombinasi
Suntik Suntik
20 Sama Setelah admin dinyatakan berhasil ke dalam sistem maka
Kombinasi Kombinasi
Suntik Suntik sistem akan menampilkan dashboard seperti pada Gambar 2.
21 Tidak Sama
Kombinasi Progesteron
Suntik Suntik
22 Sama
Kombinasi Kombinasi
Suntik Suntik
23 Sama
Kombinasi Kombinasi
Suntik Suntik
24 Sama
Kombinasi Kombinasi
Suntik Suntik
25 Tidak Sama
Progesteron Kombinasi
Suntik Suntik
26 Sama
Kombinasi Kombinasi
Suntik Suntik Gbr 2. Halaman Dashboard
27 Sama
Kombinasi Kombinasi
Suntik Suntik b. Antar Muka Rating Kecocokan
28 Tidak Sama Untuk tampilan antar muka fitur rating kecocokan dapat
Progesteron Kombinasi
Suntik Suntik dillihat pada Gambar 3 dan untuk mengatur rating kecocokan
29 Tidak Sama dapat dilihat pada Gambar 4.
Kombinasi Progesteron
Suntik
30 IUD Tidak Sama
Kombinasi

100
 Jurnal TICOM Vol. 6 No.3 Mei 2018

e. Antar Muka Data Sub Kriteria

Untuk tampilan antar muka data Sub Kriteria dapat dilihat
pada Gambar 7. Pada tampilan ini terdapat beberapa fitur
seperti penambahan data, ubah data, dan hapus data.

Gbr 3. Halaman Rating Kecocokan

Gbr 7. Antar Muka Data Sub Kriteria

f. Antar Muka Konsultasi

Antar muka untuk konsultasi hanya dipergunakan untuk
user yaitu para anggota maupun non anggota KB. Berikut
Gbr 4. Halaman Atur Rating adalah antar muka konsultasi pada Gambar 8 dan untuk antar
muka hasil konsultasi dapat dilihat pada Gambar 9.
c. Antar Muka Data Alternatif
Untuk tampilan antar muka data alternatif dapat dilihat
pada Gambar 5 Pada tampilan ini terdapat beberapa fitur seperti
penambahan data, ubah data, ubah gambar dan hapus data.

Gbr 8. Antar Muka Konsultasi User

Gbr 5. Antar Muka Data Alternatif

d. Antar Muka Data Kriteria

Untuk tampilan antar muka data Kriteria dapat dilihat pada
Gambar 6 Pada tampilan ini terdapat beberapa fitur seperti
penambahan data, ubah data, dan hapus data.

Gbr 9. Antar Muka Hasil Konsultasi

V. PENUTUP
5.1. Kesimpulan
Berdasarkan penelitian yang telah dilakukan, dapat
disimpulkan sebagai berikut:
Gbr 6. Antar Muka Data Kriteria
1. Dibuatnya sistem pemilihan alat kontrasepsi untuk wanita
dengan berdasarkan kriteria yang didapat dari jurnal

101

Kementerian Kesehatan ditambahkan dengan dua kriteria [2]
dari jural Nirwansyah Deni, dkk. Hasil yang diperoleh
dari rekomendasi sistem dan rekomendasi bidan sebanyak
9 (sembilan) data sampling yang sesuai. [3]
2. Dari hasil perhitungan pemilihan alat kontrasepsi untuk
wanita dengan menggunakan metode WP, nilai akurasi [4]
yang didapatkan berdasarkan rekomendasi sistem dan
rekomendasi bidan sebesar 30%.
5.2. Saran [5]
Penelitian yang sudah dilakukan tentang pemilihan alat
kontrasepsi untuk wanita dengan menggunakan metode WP
masih dimugkinkan untuk penelitian lanjutan seperti [6]
dikembangkan hingga mendapatkan hasil akurasi yang lebih
tinggi dari sebelumnya. Masih banyak metode-metode lain
yang bisa digunakan. Tidak hanya dengan satu metode saja [7]
tetapi dapat membandingkan antar metode dengan algoritma
yang ada di MADM lainnya. [8]
DAFTAR PUSTAK A [9]
[1] “Penduduk Indonesia Menurut Provinsi 1971,1980, 1990,
1995, 2000 dan 2010”. https://www.bps.go.id/. (tanggal
akses : 12 Maret 2017)
102
Jurnal TICOM Vol. 6 No.3 Mei 2018
“Tahun 2010 Penduduk Indonesia 234,2 Juta”.
http://nasional.kompas.com/. (tanggal akses: 12 Maret
2017)
Affandi, 2006, Ilmu Kebidanan, Jakarta, Yayasan Bina
Pustaka Sarwono Prawirohardjo
Astuti, Eni dan Ratifah, 2014, Deskriptif Faktor-Faktor
Yang Mempengaruhi Wanita Usia Subur (WUS)
Menggunakan Alat Kontrasepsi, Akademi Kebidanan
YLPP Purwokerto.
Nirwansyah, Deni., dkk., 2016, Pemilihan Alat Bantu
Kontrasepsi Menggunakan Metode Weighted Product
(WP) Untuk Keluarga Berencana, Bogor
Maftukhah, Siti dan Rusito, 2015, Sistem Pendukung
Keputusan Pemilihan Alat Kontrasepsi Berbasis Web
Menggunakan Metode Simple Additive Weighting (SAW).
Depkes RI, 1999, Rencana Pembangunan Kesehatan
Menuju Indonesia Sehat 2010, Jakarta.
BKKBN, 2003, Kamus Istilah Kependudukan KB dan
Keluarga Sejahtera, Jakarta.
Mochtar, Rustam., 1998., Sinopsis Obstetri, Jakarta,
EGC.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Sistem Komparasi Naive Bayes dan Decision Trees

untuk Menentukan Klasifikasi Kegagalan Studi
Mahasiswa
Agnes Aryasanti
Fakultas Teknologi Informasi , Universitas Budi Luhur
Jalan Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan, Indonesia 12260
Telp. (021) 5853753, Fax. (021) 5866369
agnes.aryasanti@budiluhur.ac.id

Abstrak — Salah satu faktor yang menentukan kualitas I. PEND AHULU AN

suatu Perguruan tinggi adalah keberhasilan dan
kegagalan mahasiswa dalam menyelesaikan studinya. Dari
tahun ke tahun jumlah mahasiswa yang dikeluarkan oleh
suatu Perguruan Tinggi tidak menentu. Tingginya tingkat
dikeluarkannya mahasiswa dapat mempengaruhi nilai
akreditasi terhadap suatu Perguruan Tinggi. Penelitian ini
memfokuskan pada bagaimana cara mengetahui faktor
apa saja yang dapat mempengaruhi tingkat kegagalan
seseorang dalam menempuh studi di suatu Perguruan
Tinggi. Penelitian ini menggunakan teknik klasifikasi data
mining dengan dua metode sebagai komparasi untuk
mendapatkan hasil yang terbaik yaitu dengan
menggunakan metode Naive Bayes dan Decision Tree.
Hasil penelitian menunjukkan bahwa metode Decision
Tree lebih akurat hingga 100% dibandingkan Naive Bayes
dengan nilai keakuratan 99,56%.
Kata kunci : Klasifikasi, Komparasi, Naïve Bayes, Decision
Tree
Abstract — One of the factors that determine the quality of
a College is the success and failure of students in completing
their studies. From year to year the number of students
issued by a university is uncertain. The high level of the
issuance of students can affect the value of accreditation to
a university. This study focuses on how to know what factors
can affect the failure rate of a person in studying at a
university. This research uses data mining classification
technique with two methods as comparation to get best result
that is by using method of Naive Bayes and Decision Tree.
The results show that the Decision Tree method is more
accurate to 100% compared to Naive Bayes with 99.56%
accuracy value.
Keyword : Comparasion, Classification, Naïve Bayes,
Decision Tree
Kualitas suatu Perguruan tinggi dipengaruhi oleh
banyak faktor, salah satunya adalah keberhasilan mahasiswa
dalam setiap program studi. Keberhasilan mahasiswa tersebut
adalah dapat lulus tepat waktu. Tingginya keberhasilan
kelulusan mahasiswa dapat mempengaruhi nilai akreditasi
program studi . Begitu sebaliknya apabila tingkat keberhasilan
kelulusan tepat waktu rendah dapat berdampak buruk terhadap
akreditasi program studi. Hal itu masuk dalam kriteria rasio
jumlah dosen dan mahasiswa/ nisbah Dosen
Dari tahun ke tahun jumlah mahasiswa yang
dikeluarkan oleh Fakultas Teknologi Informasi Universitas
Budi Luhur semakin meningkat. Pada tahun 2012 ada 415
mahasiswa yang dikeluarkan , tahun 2013 ada 415 mahasiswa,
tahun 2014 ada 420 mahasiswa, dan tahun 2015 ada 2120
mahasiswa. Tingginya tingkat mahasiswa dikeluarkan dapat
mempengaruhi tingkat keberhasilan mahasiswa sehingga
berpengaruh juga terhadap nilai akreditasi.
Banyak faktor yang mempengaruhi ketidakberhasilan
mahasiswa dalam menyelesaikan kuliah tepat waktu antara
lain: cuti kuliah, Drop Out, dikeluarkan dan tidak aktif kuliah.
Cuti kuliah yang dimaksudkan di sini adalah mahasiswa yang
dalam waktu semester berjalan atau kurun waktu tertentu tidak
dapat melanjutkan studi dengan alasan yang dapat
dipertanggung jawabkan dan diijinkan sesuai dengan prosedur
yang berlaku. Drop Out adalah mahasiswa berstatus putus
studi yang dikeluarkan dengan tidak diterima kembali karena
mahasiswa tersebut meninggal atau melakukan perbuatan
yang melanggar aturan universitas. Dikeluarkan adalah
mahasiswa yang dikeluarkan karena tidak memenuhi
persyaratan akademik yang berlaku. Mahasiswa tidak aktif
adalah mahasiswa yang dalam kurun waktu semester berjalan
tidak melakukan pendaftaran ulang atau tidak mendapatkan
ijin cuti.
Pada penelitian ini, peneliti mencoba menganalisa data
akademik mahasiswa di Universitas Budi Luhur. Sebagai
objek dalam penelitian ini adalah Fakultas Teknologi
Informasi. Teknik klasifikasi data mining digunakan dalam

103

penelitian ini dengan dua metode sebagai komparasi untuk
mendapatkan hasil yang terbaik yaitu metode Naive bayes dan
Decision Trees.
II. STUDI LITER ATU R PENELITIAN SEB ELUMNY A
Penelitian sejenis mengenai sistem informasi
manajemen arsip yang dapat dijadikan referensi sudah pernah
dilakukan oleh beberapa peneliti sebagai berikut:
1. Penelitian yang dilakukan oleh Hastuti pada tahun
2012 dengan judul Analisis Komparasi Algoritma
Klasifikasi Data mining Untuk Prediksi Mahasiswa
Non Aktif, dijelasakan bahwa metode decision trees
adalah metode paling akurat namun tidak dominan
terhadap metode yang lain. Metode yang paling
dominan adalah logistic regression walaupun nilai
akurasinya rendah. Berdasarkan nilai AUC keempat
metode yang digunakan termasuk dalam kategori
excellent classification [1]
2. Ridwan dalam penelitiannya yang berjudul
Penerapan Data mining Untuk Evaluasi Kinerja
Akademik Mahasiswa Menggunakan Algoritma
Bayes Classifier dijelaskan faktor yang paling
berpengaruh dalam kinerja akademik mahasiswa
adalah Indeks prestasi Kinerja (IPK), Prestasi(IP)
semester 1, IP semester 4, dan jenis kelamin. Dalam
penelitian ini algoritma Naive Bayes Classifier
menghasilkan nilai precision 83%, recall 50%, dan
akurasi 70%. [2]
3. Penelitian Sistem Pendukung Keputusan Berbasis
Decision Tree dalam Pemberian Beasiswa, Studi
Kasus: AMIK”BSI Yogyakarta” yang dilakukan oleh
Andriani dijelaskan bahwa tingkat akurasi hasil
klasifikasi penerima beasiswa yang didapatkan
menggunakan metode decision tree sebesar 71,43%.
[3]
4. Trstenjak & Ĉrqnr dalam penelitiannya yang berjudul
Determining the impact of demographic features in
predicting student success in Croatia menjelaskan
bahwa Siswa yang berasal dari sekolah Teknik lebih
bisa mengikuti pelajaran. Fitur tempat lahir, status
mahasiswa, pendidikan ibu dan pekerjaan ibu tidak
berpengaruh besar dalam klasifikasi, sedangkan
Student Rights berpengaruh besar untuk kesuksesan
siswa. Bruno Trstenjak mengurangi fitur yang
digunakan dalam klasifikasi dengan 4 fitur yang tidak
berpengaruh besar, kemudian membuat klasifikasi
baru dan diperoleh hasil 5% lebih baik. [4]
5. Goker pada penelitiannya The Estimation of
Students’ Academic Success by Data mining
Methods Bayes dapat memprediksi keberhasilan
siswa dengan nilai 85% dan didapatkan hasil bahwa
orang yang lebih banyak pengetahuan dapat
mempengaruhi keberhasilan siswa. [5]
104
Jurnal TICOM Vol. 6 No.3 Mei 2018
6. Penelitian dengan judul Metode Bayes Untuk
Prediksi Kelulusan ( Studi Kasus : Data Mahasiswa
Baru Perguruan Tinggi ) yang dilakukan oleh Syarli
& Muin dijelasakan bahwa tingkat efektifitas dataset
yang diterapkan ke dalam metode Naive Bayes
ditunjukkan oleh nilai persentase keakuratan.
Aplikasi WEKA untuk penerapan Naive Bayes dapat
digunakan untuk mengelompokkan Pilihan Lulus,
yaitu berdasarkan atribut Prodi, Pilihan Pertama,
Pilihan Kedua, dan Nilai Rata-rata. [6]
7. Jananto dalam penelitiannya berjudul Algoritma
Bayes untuk Mencari Perkiraan Waktu Studi
Mahasiswa dijelasakan bahwa perkiraan waktu studi
mahasiswa diprediksi dari faktor yang berkaitan
dengan latar belakang sekolah sebelumnya, data
akademik, dan kepribadiannya di perguruan tinggi.
Persentase kesalahan dari fungsi klasifikasi untuk
prediksi berkisar pada 20% hingga 34%. [7]
8. Handayani pada penelitiannya berjudul Implementasi
Algoritma Bayes Classifier dalam Pengklasifikasian
Teks Otomatis Pengaduan dan Pelaporan Masyarakat
melalui Layanan Call Center 110. Pengklasifikasian
dilakukan menggunakan 113 dokumen dari rentang
tahun 2013 – 2014, dengan pembagian data
training:data uji adalah 70:30 Tingkat efektifitas dari
penggunaan Naive bayes sebesar 92.67% dengan
perhitungan persamaan precision, recall, dan F-
measure. [8]
Perbedaan penelitian ini dengan penelitian-penelitian
sebelumnya adalah dalam penelitian ini mencoba
mengklasifikasikan kegagalan studi mahasiswa dengan
membandingkan dua algoritma yaitu Naive Bayes dan
Decision Tree. Selain itu pengujian akurasi dalam penelitian
ini menggunakan metode Cross Validation.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

III. M ETODOLOGI D AN R ANC AN GAN PENE LITIAN 1. Identifikasi Masalah

Identifikasi masalah adalah tahap pertama yang dilakukan
A. Metode Penelitian pada penelitian ini. Identifikasi masalah pada penelitian ini
adalah “ Apakah faktor yang menyebabkan kegagalan
studi mahasiswa dan dari dua metode yang akan
digunakan, metode mana yang menghasilkan nilai akurasi
yang paling baik dalam memprediksi mahasiswa
dikeluarkan”.
2. Studi Pustaka
Studi pustaka dilakukan terhadap penelitian-penelitian
yang pernah dilakukan sebelumnya, khususnya penelitian
data mining . Bahan-bahan studi kepustakaan yang
digunakan pada penelitian tesis ini antara lain publikasi
paper internasional, jurnal internasional, tesis, dan
sumber-sumber pada internet.
3. Metode Pengumpulan Data
a. Wawancara
Wawancara dilakukan langsung kepada pihak Fakultas
untuk mengetahui informasi dan data-data untuk
menentukan mahasiswa dikeluarkan. Dari wawancara
ini didapatkan variabel apa saja yang dapat
menyebabkan mahasiswa dikeluarkan
b. Pengamatan
Pengamatan dilakukan dengan mengamati data history
dari SK Rektor tentang penetapan Mahasiswa yang
dikeluarkan dari tahun 2012-2015. Dari SK Rektor
tersebut didapatkan berapa peningkatan jumlah
mahasiswa yang di keluarkan tiap tahunnya. Penulis
juga mengamati background mahasiswa berdasarkan
data mahasiswa. Dari data-data yang diamati dapat
diambil atribut-atribut mana saja yang akan digunakan
dalam penelitian ini.
4. Pembentukan Dataset
Sebelum membentuk Dataset tahap yang dilakukan adalah
melakukan pelabelan sesuai kelas yaitu kelas mahasiswa
dikeluarkan dan kelas mahasiswa tidak dikeluarkan.
Setelah semua data memiliki kelas selanjutkan dilakukan
pemisahan data yaitu data training dan data testing. Data
Training dan testing diambil dari data akademik
mahasiswa dan data mahasiswa yang dikeluarkan dan tidak
dikeluarkan pada tahun 2013-2015, 70% dari data tersebut
akan diambil untuk data training dan 30% akan digunakan
untuk data testing
5. Tahap Preprocessing
a. Seleksi Data
Seleksi Data di sini adalah menyeleksi data-data yang
sesuai yang akan dipakai dalam penelitian .
b. Validasi Data
Pada tahap ini dilakukan pembersihan data yaitu
membuang data yang tidak konsisten data yang tidak
lengkap, data yang tidak normal (outlier).
c. Transformasi Data
Pada tahap transformasi data di sini data yang sudah
divalidasi akan digabungkan ke dalam format yang
Gbr 1. Alur Penelitian sesuai supaya dapat diproses ke data mining

105

6. Naive Bayes
Setelah data yang akan digunakan untuk data training dan
data testing bersih dilakukan implementasi algoritma
Naive Bayes untuk membentuk model probabilitas dari
data training.
7. Decision Tree
Setelah tahap Preprocessing maka dilakukan analisa
menggunakan algoritma Decision Tree, analisa data
dengan KDD terhadap data training, kemudian dilakukan
evaluasi dan validasi hasil klasifikasi terhadap data testing.
8. Pengujian Model
Langkah selanjutnya setelah model probabilitas data
training sudah dibentuk adalah melakukan pengujian
kedua model tersebut dengan data testing .
9. Pengujian Nilai Akurasi
Pengujian nilai akurasi di sini dilakukan dengan teknik
cross Validation, yaitu membandingkan hasil klasifikasi
dari kedua algoritma dengan SK Rektor yang telah
dikeluarkan. Kemudian untuk menghitung nilai akurasi
menggunakan persamaan di bawah ini:
ℎ Mahasiswa FTI Aktif, yaitu “Status Dikeluarkan” dan
= × 100%
Jumlah Data Testing
10. Penarikan Kesimpulan
Dari penelitian yang sudah dilakukan menggunakan
teknik klasifikasi data mining dengan mengkomparasi
dua buah metode kemudian dilakukan penarikan
kesimpulan yang akan menjadi jawaban dari
permasalahan.
IV. IMPLEMENT ASI
1. Seleksi Data
Data-data yang digunakan dalam penelitian adalah sebagai
berikut:
a. Data pertama adalah data Mahasiswa FTI aktif dari
tahun ajaran 2012-2013, 2013-2014 dan tahun ajaran
2014-2015. Setelah dilakukan penyeleksian data maka
atribut-atribut yang dipilih untuk digunakan dalam
penelitian ini adalah nim, nama, status awal, IPK, sks
lulus, status aktif pada semester 1, 2, 3, 4, 5 dan 6.
b. Data kedua yang digunakan adalah Data Mahasiswa
FTI Dikeluarkan pada 2012-2013, 2013-2014, 2014-
2015 dengan atribut-atributnya yaitu: nim, nama, sks
lulus, status aktif pada semester 1, 2, 3, 4, 5 dan 6, tahun
ajaran dikeluarkan dan semester dikeluarkan.
2. Validasi Data
Pada tahap ini dilakukan proses pembersihan data yaitu
evaluasi terhadap atribut-atribut yang berpengaruh pada
penelitian. Tahap ini dilakukan dengan tujuan untuk
menghilangkan null value atau data yang kosong, dan juga
data yang tidak berpengaruh pada dataset peneliti, agar
tidak mengganggu proses perhitungan ketika menerapkan
dengan metode Decision Tree dan Naive Bayes. Proses
membersihkan datanya yaitu dengan menyeleksi atribut
106
Jurnal TICOM Vol. 6 No.3 Mei 2018
mana yang lebih berpengaruh dan sesuai dengan topik
pembahasan.
Atribut yang digunakan untuk perhitungan dengan
metode Decision Tree dan Naive Bayes adalah sebagai
berikut: NIM, Nama, IPK, baik di semester gasal maupun
genap, dari tahun ajaran 2012/2013 sampai 2014/2015,
Jumlah SKS yang lulus, baik di semester gasal maupun
genap, dari tahun ajaran 2012/2013 sampai 2014/2015,
Status Awal, Status Aktif, baik di semester gasal maupun
genap, dari tahun ajaran 2012/2013 sampai 2014/2015,
Tahun Ajaran Dikeluarkan, Semester Dikeluarkan.
3. Transformasi Data
Pada tahap ini data yang sudah divalidasi akan
digabungkan ke dalam format yang sesuai supaya dapat
diproses ke data mining. Kedua dataset yang digabungkan
yaitu dataset Mahasiswa FTI aktif dari tahun ajaran 2012-
2013, 2013-2014 dan tahun ajaran 2014-2015 dan dataset
Mahasiswa FTI Dikeluarkan pada 2012-2013, 2013-2014,
2014-2015.
Sebelum proses penggabungan ini dijalankan, terlebih
dahulu ditambahkan 2 atribut baru untuk dataset
“Semester Dikeluarkan”, juga dilakukan penambahan 1
atribut baru untuk dataset Mahasiswa FTI Dikeluarkan,
yaitu “Status Dikeluarkan”.
Aturan pengisian data berdasarkan atribut “Status
Dikeluarkan” didasari oleh ketentuan pada pasal 7 SK
Rektor No: K/UBL/REK/000/019-1/05/13 mengenai
Mahasiswa Keluar. Aturan tersebut adalah sebagai berikut:
1. Total gabungan masa cuti studi dan masa non aktif >
4 semester.
2. Habis masa studi ( lebih dari atau sama dengan 7
tahun atau 14 semester ).
3. Tidak dapat menyelesaikan 138 sks sampai dengan
semester 12.
4. Tidak dapat menyelesaikan 48 sks lulus pada 4
semester aktif pertama dalam waktu 8 semester
pertama.
Jika data mahasiswa masuk ke salah satu ketentuan
tersebut, maka akan bernilai “Y” untuk “yes”, dan jika
tidak maka “N” untuk “no”. Lalu untuk aturan pengisian
data pada atribut “Semester Dikeluarkan” mengacu pada
tabel Kriteria Umum Mengeluarkan Mahasiswa yang
bersumber dari aturan fakultas.
Data akan bernilai “Ganjil” apabila:
1. Mahasiswa berstatus tidak aktif pada semester 1
2. Banyaknya semester aktif pada semester 3 berjumlah
<2
3. Banyaknya semester aktif >= 4 dan jumlah sks lulus
< 48 pada semester 5
4. Banyaknya semester aktif >= 4 dan jumlah sks lulus
< 48 pada semester 7
5. Jumlah sks lulus < 66 pada semester 9
6. Jumlah sks lulus < 114 pada semester 11
7. Jumlah sks lulus < 138 pada semester 13
Sedangkan data akan bernilai “Genap” apabila:
 Jurnal TICOM Vol. 6 No.3 Mei 2018

1. Banyaknya semester aktif pada semester 2 berjumlah
<2
2. Banyaknya semester aktif >= 4 dan jumlah sks lulus
< 48 pada semester 4
3. Banyaknya semester aktif >= 4 dan jumlah sks lulus
< 48 pada semester 6
4. Jumlah sks lulus < 48 pada semester 8
5. Jumlah sks lulus < 90 pada semester 10
6. Jumlah sks lulus < 138 pada semester 12
Dan akan bernilai “-“ apabila tidak memenuhi 2 kriteria di
atas, dan bila pada atribut “Status Dikeluarkan” bernilai
“N”. Gambar 2 menunjukkan tampilan dataset yang telah
mengalami penggabungan dan penambahan atribut,
dengan jumlah keseluruhan data adalah sebanyak 2925
data:

Gbr 2. Dataset

4. Proses Komparasi
Proses komparasi menggunakan metode Naive Bayes dan Decision Tree dibagi ke dalam beberapa tahapan yang ditunjukkan
oleh Gambar 3.

Gbr 3. Rangkaian Proses Komparasi

107
 Jurnal TICOM Vol. 6 No.3 Mei 2018

a. Pembersihan data metode tersebut dengan menggabungkan ke modul “Test and

Pembersihan data dilakukan dengan cara penghilangan Score” .
null value dan atribut-atribut yang tidak relevan dengan topik
pembahasan pada penelitian.
b. Sampling Data
Teknik sampling data menggunakan data sample
sebanyak 70% dan pengambilan data sample dilakukan
menggunakan aplikasi Orange. Rangkaian proses
pengambilan data sample ditunjukkan oleh Gambar 4.

Gbr 4. Rangkaian Proses Data Sampler

File dataset dimasukkan ke dalam modul “File”, kemudian
menentukan kolom/atribut mana yang dijadikan sebagai target
melalui modul “Select Columns”, selanjutnya menggunakan
modul “Data Sampler” untuk mengambil data sebanyak 70% Gbr 6. Pengaturan Test&Score
untuk dijadikan sample. Lalu menampilkan hasilnya melalui
modul “Data Table”. Berdasarkan pengaturan di atas, digunakan metode
c. Memasukkan modul Naive Bayes sampling “Test on train data”, artinya data yang dihitung dites
Data yang telah diambil dari hasil perhitungan modul menggunakan data training. Gambar 7 menunjukkan hasil
“Data Sampler” kemudian dimasukkan ke dalam rangkaian perbandingan dari metode decision tree dan naive bayes:
baru, lalu menghubungkannya dengan modul “Tree” untuk
melakukan perhitungan dengan metode Naive Bayes.
d. Memasukkan modul Tree
Data yang telah diambil dari hasil perhitungan modul
“Data Sampler” kemudian dimasukkan ke dalam rangkaian
baru, lalu menghubungkannya dengan modul “Tree” untuk
melakukan perhitungan dengan metode Decision Tree.
e. Memasukkan modul Tree Viewer
Modul Tree Viewer digunakan untuk menampilkan
bentuk visual dari hasil perhitungan metode Decision Tree.
Hasil klasifikasinya melalui modul Tree Viewer dari
penggunaan metode Decision Tree ditunjukkan oleh Gambar
5.
Gbr 7. Hasil Perbandingan Decision Tree dan Naive Bayes

Dari Gambar 7 dapat dilihat bahwa klasifikasi decision

tree keakuratan dari hasil metodenya mencapai 100%
sedangkan untuk naive bayes keakuratan hasil metodenya
mencapai 99.6%. Disini terlihat walau hanya sedikit sekali
perbedaan keakuratan diantara 2 metode dengan selisih 0.4%,
selisih tersebut merupakan dimana keputusan target yang
dihasilkan berbeda dengan target yang seharusnya. Gambar 8
menunjukkan dataset dengan komposisi keakuratan 0.4%
menggunakan 2 metode tersebut:
Gbr 5. Hasil Perhitungan Tree Viewer
f. Melakukan test and score untuk melihat classification
accuracy
Setelah Memasukkan modul tree dan modul naïve bayes
maka selanjutnya melihat hasil skor keakuratan dari kedua

108

Gbr 8. Selisih Dataset
Berdasarkan data di atas, terdapat 20 data yang
hasilnya berbeda setelah dilakukan perhitungan menggunakan
metode Naive Bayes dan Decision Tree.
g. Menampilkan data perbandingan dua metode dengan
Confusion Matrix
Setelah data dites dengan modul “Test & Score”,
selanjutnya menampilkan jumlah datasetnya setelah
perhitungan dan jumlah data test sebelum perhitungan
menggunakan modul “Confusion Matrix”, dengan cara
menghubungkan modul “Test & Score” dengan modul
“Confusion Matrix” tersebut. Gambar 9 menunjukkan
perbandingan datanya menggunakan metode Decision Tree.
Gbr 9. Hasil Dataset dengan Metode Decision tree
Hasil dari metode decision tree yang ditunjukkan oleh
Gambar 9 terdapat 684 atribut mahasiswa yang seharusnya
memiliki target ‘tidak’ berarti ‘tidak dikeluarkan’, dan secara
prediksi setelah metode decision tree dijalankan tidak ada
mahasiswa yang dikeluarkan, ini membuktikan keakuratan
metode decision tree mencapai 100% dari target yang sudah
ditentukan. Begitu pula dengan yang dikeluarkan dengan
target ‘ya’ yang dimana 1364 attribut tersebut tidak ada
mahasiswa memiliki potensi kemungkinan ‘tidak dikeluarkan’
saat keputusan yang seharusnya dikeluarkan. Gbr 10.
menunjukkan perbandingan hasil dataset mengunakan metode
Naive Bayes.
109
Jurnal TICOM Vol. 6 No.3 Mei 2018
Gbr 10. Hasil Dataset dengan Metode Naive Bayes
Berbeda sedikit dengan metode Decision Tree, pada
metode Naive Bayes ini terlihat bahwa 683 atribut mahasiswa
dipastikan tidak dikeluarkan dan terdapat 1 atribut mahasiswa
dimana target keputusan yang seharusnya menyatakan
mahasiswa tersebut tidak dikeluarkan tetapi memiliki
kemungkinan untuk dikeluarkan. Begitupula sebaliknya, yaitu
1357 atribut mahasiswa sudah dipastikan dikeluarkan. Tetapi
ada 7 atribut mahasiswa yang memiliki kemungkinan untuk
tidak dikeluarkan, walau target yang seharusnya mengatakan
bahwa mahasiswa tersebut dikeluarkan.
h. Pengujian Nilai Akurasi dengan Cross Validation
Setelah melalui ketujuh proses komparasi selanjutnya
dilakukan Pengujian Nilai Akurasi dengan cross-validation
baik dengan metode Decision Tree maupun dengan Naïve
Bayes yaitu dengan membandingkan hasil klasifikasi dengan
SK Rektor.
Decision Tree
Jumlah Data Testing : 2048
1) Nilai Akurasi untuk mahasiswa yang tidak dikeluarkan
adalah 32,62% atau 668 record
2) Nilai Akurasi untuk mahasiswa yang dikeluarkan adalah
67,38% atau 1380 record
3) Kesalahan yang terjadi pada decision tree memiliki
prosentase 0% untuk mahasiswa yang tidak keluarkan
dan dikeluarkan.
Gambar 11 menunjukkan Grafik nilai akurasi metode decision
Tree setelah dilakukan cross validation.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Gbr 11. Grafik Nilai Akurasi Decision Tree

Gbr 13. Grafik Perbandingan Nilai Akurasi
Naïve bayes
Jumlah Data Testing : 2048 Gambar 14 menunjukkan perbandingan kesalahan metode
a. Nilai Akurasi untuk mahasiswa yang tidak dikeluarkan Naive Bayes Classifier dan Decision Tree:
adalah 32,57% atau 667 record.
b. Nilai Akurasi untuk mahasiswa yang dikeluarkan adalah
66,99% atau 1372 record.
c. Kesalahan mahasiswa yang tidak dikeluarkan tetapi
dikeluarkan adalah 0,05% atau 1 record.
d. Kesalahan mahasiswa yang dikeluarkan tetapi tidak
dikeluarkan adalah 0,39% atau 8 record.
Gambar 12 menunjukkan nilai akurasi Naive bayes setelah
dilakukan cross validation.

Gbr 14. Grafik Perbandingan Kesalahan

Gambar 15 menunjukkan hasil Pengujian Cross-Validation

metode Decision Tree dan Naive Bayes Classifier:

Gbr 12. Grafik Nilai Akurasi Naive Bayes

Gambar 13 menunjukkan perbandingan nilai akurasi metode

Naive Bayes Classifier dan Decision Tree:

Gbr 15 Hasil Pengujian Cross Validation

V. KESIMPULAN

Berdasarkan hasil penelitian yang telah dilakukan, maka

dapat disimpulkan sebagai berikut:
a. Komparasi 2 metode data mining yaitu Naive Bayes
Classifier dan Decision Tree menghasilkan informasi,

110

bahwa tingkat keakuratan decision tree dan Naive bayes
sangat jauh berbeda dimana dataset yang diuji
menggunakan teknik sampler dengan metode decision tree
dapat menghasilkan keakuratan hingga 100%, sedangkan
untuk Naive bayes keakuratannya mencapai 99,56%.
b. Kesalahan prediksi yang terjadi pada decision tree
memiliki prosentase 0% untuk mahasiswa yang tidak
keluarkan dan dikeluarkan. Sedangkan pada Naive Bayes
Classifier kesalahan mahasiswa yang tidak dikeluarkan
tetapi dikeluarkan adalah 0,05% atau 1 record. Kesalahan
prediksi mahasiswa yang dikeluarkan tetapi tidak
dikeluarkan adalah 0,39% atau 8 record.
c. Metode Decision Tree lebih unggul dari Naïve Bayes
Classifier disebabkan metode Decision Tree memiliki
algoritma yang cukup kompleks, dimana setiap hasil yang
diterima akan dikalkulasi ulang dengan kemungkinan-
kemungkinan yang bisa muncul pada dataset. Sedangkan
untuk Naive Bayes Classifier tidak memiliki
kemungkinan-kemungkinan yang muncul pada dataset.
DAFTAR PUSTAK A
[1] K. Hastuti, “Analisis komparasi algoritma klasifikasi
data mining untuk prediksi mahasiswa non aktif,”
Semin. Nas. Teknol. Inf. Komun. Terap., vol. Juni, no.
Semantik, pp. 241–249, 2012.
[2] M. Ridwan, H. Suyono, and M. Sarosa, “Penerapan
111
Jurnal TICOM Vol. 6 No.3 Mei 2018
Data Mining Untuk Evaluasi Kinerja Akademik
Mahasiswa Menggunakan Algoritma Naive Bayes
Classifier,” Eeccis, vol. 7, no. 1, pp. 59–64, 2013.
[3] A. Andriani, “Sistem Pendukung Keputusan Berbasis
Decision Tree Dalam Pemberian Beasiswa Studi
Kasus : Amik ‘ Bsi Yogyakarta ,’” Semin. Nas. Teknol.
Inf. dan Komun. 2013 (SENTIKA 2013), vol. 2013, no.
Sentika, 2013.
[4] B. Trstenjak and D. Ĉrqnr, “Determining the impact
of demographic features in predicting student success
in Croatia,” no. May, pp. 26–30, 2014.
[5] H. Goker, H. I. Bulbul, and E. Irmak, “The Estimation
of Students’ Academic Success by Data Mining
Methods,” 2013 12th Int. Conf. Mach. Learn. Appl.,
vol. 2, pp. 535–539, 2013.
[6] Syarli and A. A. Muin, “Metode Naive Bayes Untuk
Prediksi Kelulusan ( Studi Kasus : Data Mahasiswa
Baru Perguruan Tinggi ),” J. Ilm. Ilmu Komput., vol.
2, no. 1, p. 5, 2016.
[7] A. Jananto, “Algoritma Naive Bayes untuk Mencari
Perkiraan Waktu Studi Mahasiswa,” Teknol. Inf. Din.,
vol. 18, no. 1, pp. 9–16, 2013.
[8] F. dan F. S. P. Handayani, “Implementasi Algoritma
Naive Bayes Classifier dalam Pengklasifikasian Teks
Otomatis Pengaduan dan Pelaporan Masyarakat
melalui Layanan Call Center 110,” vol. 7, no. 1, 2015.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

E-CRM: Strategi Bisnis guna Meningkatkan

Kualitas Pelayanan Kredit Konsumtif Terhadap
Loyalitas Debitur pada PT. Bank Maluku, Ambon
Maluku
Ilona Irena Gutandjala#1 , Hendri Irawan#2
#
Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
1ilonairena18@gmail.com

2hendri.irawan@budiluhur.ac.id

Abstrak — Dalam era teknologi informasi saat ini, banyak
perusahaan berlomba-lomba untuk mengembangkan
usahanya dengan dukungan teknologi, sebagai upaya
untuk meningkatkan mutu pelayanan serta penyebaran
informasi kepada pelanggannya. PT.Bank Maluku
merupakan salah satu Bank Pembangunan Daerah yang
berbentuk badan usaha milik daerah yang dirikan pada 25
Oktober 1961. Sama halnya dengan bank yang lain, bank
ini juga bergerak dalam dunia perbankan dengan nasabah
yang sebagian besar merupakan Aparatur Sipil Negara
(ASN). Salah satu produk layanan utama sebagai benefit
Bank Maluku yaitu Kredit Konsumtif, karena sebagian
besar debiturnya merupakan ASN. Namun ditengah
eratnya persaingan didunia perbankan, Bank Maluku
masih belum mempunyai sistem penanganan komplain
yang baik, yang mana komplain masih dilakukan secara
lisan pada saat nasabah ke Bank. Khususnya untuk proses
pelayanan Kredit Konsumtif dari hulu ke hilirnya masih
dilakukan dengan manual tanpa teknologi sistem
informasi, dan untuk mendapatkan informasi mengenai
pelayanan perbankan nasabah atau debitur Bank maluku
masih harus datang langsung ke Bank. Berdasarkan
masalah tersebut, peneliti mencoba merancang sistem
berbasis web dengan konsep Electronic Customer
Relationship Management (E-CRM) yang diperlukan
untuk memaksimalkan hubungan nasabah atau debitur
dengan Bank sehingga mampu menarik nasabah atau
debitur baru serta meningkatkan loyalitas nasabah atau
debitur yang sudah ada, dan untuk mempertahankan
eksistensi PT.Bank Maluku ditengah era globalisasi
teknologi saat ini.
Abstract — In the current information technology era, many
companies are competing to develop their business with
technological support, in an effort to improve the quality of
service and dissemination of information to its customers.
PT.Bank Maluku is one of the Regional Development Banks
in the form of regional-owned enterprises established on
October 25, 1961. Similarly with other banks, this bank also
moves in the banking world with customers who are mostly
Civil Servant. One of the main service products as a benefit of
Bank Maluku is Consumer Credit, because most of the debtor
is Civil Servant. However, amidst the tight competition in the
banking world, Maluku Bank still does not have a good
complaint handling system, where the complaint is still done
verbally at the time of the customer to the Bank. Especially
for the process of Consumer Credit service from upstream to
downstream is still done with manual without information
system technology, and to get information about customer
banking service/debtor Bank Maluku still have to come
directly to Bank. Based on the problem, the researcher tries to
design a web based system with Electronic Customer
Relationship Management (E-CRM) concept that is needed to
maximize customer/debtor relationship with Bank so that it
can attract new customers/debtor as well as increase loyalty
of existing customer/debtor, and maintaining the existence of
PT.Bank Maluku amid the current era of globalization of
technology.
Keywords : crm in bank, e-crm, Electronic Customer
Relationship Management, banking information system

Kata kunci : crm di bank, e-crm, Electronic Customer

Relationship Management, sistem informasi bank

112

I. PEND AHULU AN
Perkembangan Teknologi Informasi (TI) yang berkembang
dewasa ini memberikan banyak manfaat kepada peradaban
manusia di era modern ini, suatu informasi merupakan
komoditi strategis yang dapat berperan menghidupkan suatu
perusahaan atau justru mematikanya. Suatu sub dari Teknologi
Informasi yaitu Sistem Informasi yang mana digunakan untuk
menunjang keputusan dan pengawasan dalam suatu organisasi
khususnya.
PT.Bank Maluku merupakan salah satu Bank Pembangunan
Daerah yang berbentuk badan usaha milik daerah dan dirikan
pada tanggal 25 Oktober 1961, Sama halnya dengan kententuan
BPD lainya, pemegang saham PT.Bank Maluku merupakan
pemerintah Provinsi Maluku dan Maluku utara.
Bank Maluku masih belum mempunyai sistem penanganan
komplain yang baik, yang mana komplain masih dilakukan
secara lisan pada saat nasabah ke Bank. Bank Maluku memiliki
website namun hanya menyediakan informasi perusahaan dan
tidak diupdate, informasi tentang adanya website
perusahaanpun berdasarkan teknik quisioner yang dilakukan
pada saat penelitian 18 dari 20 responden belum mengetahui
tentang adanya website tersebut. Ditambah lagi proses
pelayanan after sales service untuk nasabah atau debitur yang
melakukan kredit pada Bank Maluku tidak ada, sehingga masih
terdapat kredit macet.
Berdasarkan masalah-masalah yang diuraikan diatas, maka
perlu adanya suatu sistem operasional yang terintegrasi dan
berbasis komputerisasi dengan pendekatan E-CRM (Electronic
Customer Relationship Management). E-CRM yang diusulkan
yaitu suatu sistem berbasis website yang dapat diakses dengan
mudah dimanapun kapanpun oleh nasabah guna meningkatkan
loyalitas dan pelayanankepada nasabah. Berdasarkan
permasalahan yang telah dijabarkan yang merupakan fokus
penelitian maka penulis ingin membahas permasalahan-
permasalahan yang ada sebagai topik penelitian yang berjudul
“Penerapan Sistem E-CRM Dalam Menciptakan Strategi Bisnis
Guna Meningkatkan Kualitas Pelayanan Kredit
KonsumtifTerhadapLoyalitas Debitur Pada PT. Bank Maluku
Cabang Utama Ambon Maluku “.
II. LAND ASAN TEORI
2.1 Teori yang berhubungan dalam penulisan
2.1.1 Konsep Dasar Sistem
Menurut I Putu Agus Eka Pratama (2013 : 7) Sistem
adalah “Sebagai sekumpulan prosedur yang saling berkaitan
dan saling terhubung untuk melakukan suatu tugas bersama-
sama”[1].
2.1.2 Konsep Dasar Sistem Informasi
Sebuah sistem informasi memiliki sejumlah komponen
didalamnya. Komponen-komponen ini memiliki fungsi dan
tugas masing-masing yang saling berkaitan satu sama lain.
Keterkaitan antar komponen ini membentuk suatu kesatuan
113
Jurnal TICOM Vol. 6 No.3 Mei 2018
kerja, yang menjadikan sistem informasi dapat mencapai tujuan
dan fungsi yang ingin dicapai oleh pengguna dan pengembang
sistem informasi bersangkutan.
2.1.3 Customer Relationship Management
Menurut Chaffey (2009 : 482) CRM adalah sebuah
pendekatan untuk membangun dan menjaga hubungan bisnis
jangka panjang dengan pelangganya [2].
Menurut Turban, Leidner, McLean, dan Wetherbe (2008 :
330), Customer Relationship Management(CRM) merupakan
usaha perusahaan untuk mendapatkan dan mempertahankan
pelanggan yang berharga [3].
2.1.4 Management Strategi
a. Analisis Kompetitif Model 5 Kekuatan Porter
Menurut david (2009:145-148), Model Lima Kekuatan
Porter tentang analisis kompetitif adalah pendekatan yang
digunanakan secara luas untuk mengembangkan strategi oleh
banyak industry [4].
b. Analisis SWOT
Menurut Freddy (2014 : 19), Analisis SWOT adalah
identifikasi berbagai faktor secara sistematis untuk
merumuskan strategi perusahaan [5].
2.1.5 Objek Penelitian
a. Bank
Menurut Kasmir (2012 : 3) Bank diartikan sebagai lembaga
keungan yang kegiatan usahanya adalah menghimpun danan
dari masyarakat dan menyalurkan kembali dana tersebut ke
masyarakat serta memberikan jasa-jasa bank lainya [6].
b. Bank Pembangunan Daerah
Menurut Kasmir (2012: 20) Bank Pembangunan Daerah
(BPD) yaitu, Bank yang terdapat pada daerah tingkat I dan
tingkat II masing-masing provinsi dan yang sebagian saham
Bank tersebut berasal dari pemerintah daerah [6].
2.1.6 Konsep Dasar Analisa Sistem
Menurut Tata Sutabri Sistem adalah Kegiatan untuk
melihat sistem yang sudah berjalan, melihat bagaimana yang
bagus dan tidak bagus, dan kemudian mendokumentasikan
kebutuhan yang akan dipenuhi dalam sistem yang baru [7]. Hal
tersebut terlihat sederhana, namun sebenarnya tidak. Banyak
hambatan yang akan ditemui dalam proses tersebut.
2.1.7 Tahap Analisa Sistem
Adapun langkah-langkah dalam anlisa system secara
umum sebagai berikut :
a. Mengidentifikasi masalah
b. Memahami kerja system yang ada
c. Pelaksanaan analisa system
d. Penyusunan laporan hasil analisa system
2.1.8 Konsep Dasar Perancangan Sistem
Pembuatan sebuah system informasi memerlu-kan
beberapa buah tahapan antara lain :
a. Design Science Research Method (DSRM)
 Jurnal TICOM Vol. 6 No.3 Mei 2018

b. Formulasi Masalah marketing. Oleh bagian marketing, calon debitur akan

c. Kebutuhan Pengguna diwawancarai mengenai maksud dan tujuan kredit, nama
d. Proses Bisnis instansi tempat debitur bekerja, jumlah kredit yang ingin
diajukan, jangka waktu pengambilan kredit, total gaji pokok
III. METODOLOGI PENELITIAN calon debitur tersebut, dan juga apakah calon debitur memenuhi
syarat dan ketentuan pengambilan Kredit Konsumtif pada Bank
3.1 Tahapan Penelitian maluku yang antara lain adalah :
a. wawancara dengan Stakeholders · Gaji PNS atau pensiunan yang merupakan calon debitur
b. Observasi langsung dan kuisioner dibayar melalui PT.Bank Maluku
c. Analisa Proses Bisnis · Calon debitur tidak memiliki pengambilan kredit di Bank
d. Identifikasi Masalah atau organisasi pengkreditan lain yang statusnya
e. Analisa Dokumen Berjalan merupakan kredit macet berdasarkan Data atau report
f. Identifikasi Kebutuhan / Analisa kebutuhan Sistem Informasi Debitur (SID)
g. Merancang system usulan · Sampai jangka waktu angsuran terakhir, calon debitur
masih menjadi pegawai tetap pada instansi tempat calon
3.2 Identifikasi debitur bekerja (khusus untuk PNS dan menimbang umur
Proses identifikasi merupakan proses dimana penulis pemohon kredit atau calon debitur)
melakukan identifikasi kebutuhan pada PT. Bank Maluku Setelah memenuhi syarat dan ketentuan, Kemudian oleh staff
Cabang Utama Ambon dengan menerapkan tahapan penelitian bagian marketing berdasarkan semua informasi dari calon
yang telah dijabarkan diatas. debitur akan dicatat dan dibuat perhitungan sementara, apakah
jumlah yang diajukan oleh calon debitur jika ditambahkan
3.3 Metode Pengumpulan Data dengan bunga sesuai ketentuan yang berlaku pada PT.Bank
Untuk menyelesaikan masalah yang ditemukan di PT. Bank Maluku yaitu jika jangka waktu pengambilan kredit 1 sampai
Maluku Cabang Utama Ambon, dilakukan pengumpulan data dengan 3 tahun bunga 22%, jika 3 sampai dengan 5 tahun,
dengan beberapa metode antara lain; wawancara, observasi, bunga 21%, 5 sampai dengan 10 tahun, bunga 19,75%, dibagi
analisa dokumen, studi kepustakaan, kuisioner. dengan berapa tahun angsuran tidak lebih dari 85% dari total
gaji yang diterima. Jika perhitunganya memenuhi kriteria
3.4 Teknik Analisis Data diatas, maka calon debitur dinyatakan dapat diberikan Kredit.
Beberapa teknik analisis data yang penulis gunakan yaitu : Jika tidak, maka secara langsung staff marketing akan
a. Analisa Proses Bisnis memberitahukan bahwa calon debitur tersebut tidak
b. Analisa masalah memenuhi kriteria untuk pengambilan kredit konsumtif pada
c. Perancangan Sistem Usulan PT.Bank Maluku.
3.5 Penyelesaian Masalah
E-Customer Relationship Management adalah sebuah
system informasi yang terintegrasi untuk merencanakan,
menjadwalkan, dan mengendalikan aktivitas-aktivitas didalam
sebuah perusahaan atau organisasi, dimana perusahaan
berusaha memanfaatkan teknologi-teknologi internet untuk
berhubungan dengan calon pelanggan atau customernya.

IV. PEMBAHASAN

4.1 Ulasan Singkat Organisasi

Bank Maluku didirikan pertama kali tanggal 25 Oktober
1961 dengan nama Bank Pembangunan Daerah Maluku,
berdasarkan Akte Notaris Mr. Chr. Soplanit No. 01.
Berdasarkan Undang-Undang Nomor 13 tahun 1962 tentang
ketentuan Pokok Bank Pembangunan Daerah.

4.2 Proses Bisnis Sistem Berjalan

A. Activity Diagram
1) Proses Permohonan Kredit Konsumtif
Gbr 1. Activity Diagram Proses Permohonan Kredit
Calon debitur atau orang yang ingin melakukan
Konsumtif
pengambilan Kredit Konsumtif pada PT.Bank Maluku pertama
kali akan Datang langsung ke Bank dan menemui bagian

114

2) Proses Pengajuan Persyaratan Kredit Konsumtif
Setelah memenuhi syarat dan ketentuan yang berlaku, calon
debitur oleh staff bagian marketing akan diberikan form
permohonan kredit, form Surat Pernyataan Pemotongan Kredit
oleh bendahara Instansi calon debitur, Form Surat Pernyataan
Melakukan Kredit Pada Bank Maluku, Surat Kuasa atau
pernyataan Bendahara Instansi, Surat Pernyataan Pimpinan
Instansi, Form Surat Pernyataan dan Kuasa Calon Debitur, dan
form Data nasabah yang selanjutnya oleh calon debitur harus
dilengkapi dengan melampirkan foto copy KTP, atau foto copy
kartu pegawai, Daftar gaji, SK Kepegawaian, Copy Kartu
Keluarga, Copy Buku Tabungan. Setelah dilengkapi, oleh staff
marketing akan dicek kelengkapan persyaratan-persyaratan dan
dokumen-dokumen yang dilampirkan, jika belum lengkap,
semua dokumen akan dikembalikan ke debitur untuk
dilengkapi terlebih dahulu dan jika sudah lengkap permohonan
kredit dapat diproses kemudian.
Gbr 2. Activity Diagram Proses Pengajuan Persyaratan
Kredit Konsumtif
3) Proses Pengecekan Sistem Informasi Debitur dan Analsisa
Kredit
Jika persyaratan dan semua Data telah dilengkapi, oleh staff
marketing akan dilakukan pengecekan history pengkreditan
calon debitur pada Sistem Informasi Debitur (SID) Bank
Indonesia. Berdasarkan hasil pengecekan SID, jika calon
debitur diketahui memiliki history kredit macet di Bank atau
organisasi pengkreditan lainya, maka oleh staff marketing,
calon debitur akan diberitahukan via telepon bahwa
berdasarkan hasil pengecekan sistem informasi debitur, calon
debitur tersebut mempunyai kredit macet di organisasi
pengkreditan tertentu, sehingga pengajuan Kredit tidak dapat
diproses sampai dengan ada pemberitahuan dari calon debitur
bersangkutan bahwa ia telah menyelasaikan masalah tersebut
atau melunasi kredit macet tersebut. Jika tidak terdapat kredit
macet maka seluruh dokumen calon debitur akan diserahkan
kepada analis kredit untuk melakukan analisa kredit
berdasarkan Data calon debitur, dan Data pengajuan Kredit
115
Jurnal TICOM Vol. 6 No.3 Mei 2018
Konsumtif calon debitur tersebut. Oleh analis kredit dicek
kembali, jika terdapat persyaratan yang masih kurang atau
pengajuan kredit tidak sesuai dengan ketentuan maka seluruh
dokumen akan dikembalikan ke calon dikembalikan ke calon
debitur untuk dilengkapi atau dijelaskan langsung bahwa proses
pengajuan kredit tidak sesuai dengan ketentuan pihak PT.Bank
Maluku, jika sudah lengkap dan sesuai maka analis kredit akan
membuat Analisa Kredit Konsumtif yang akan diserahkan ke
kepala seksi beserta seluruh Data calon debitur yang ada.
Gbr 3. Activity Diagram Proses Pengecekan SID dan Analisa
Kredit
4) Proses Perjanjian dan Pencairan Kredit Konsumtif .
Setelah dilakukan anlisa kredit oleh analis kredit, seluruh
data calon debitur diberikan oleh Kepala Seksi marketing
untuk kembali dicek kelengkapannya. Jika semua data dan
dokumen yang dilampirkan sudah benar dan mengikuti
ketentuan yang berlaku maka oleh Kepala Seksi akan disetujui
dan dibuat note secara manual dan diberikan kepada pimpinan
cabang untuk disetujui. Setelah disetujui, pimpinan cabang
akan membuat note berdsasarkan pendapat kepala seksi,
kemudian semuanya dikembalikan ke staff marketing untuk
selanjutnnya diperoses dan dibuat perjanjian kredit konsumtif.
Staff marketing berdasarkan dokumen-dokumen debitur akan
dibuat Perjanjian Kredit Konsumtif dan Surat Persetujuan
Permohonan Kredit Konsumtif (SPPK) yang ditanda tangani
oleh pimpinan cabang, juga membuat nota pencairan kredit
(Nota Debet / Kredit) untuk mendebet semua biaya-biaya
administrasi, asuransi, profisi, dan lain-lain, serta mengkredit
pencairan kredit konsumtif ke rekening debitur. Salinan
perjanjian kredit konsumtif serta nota debet kredit akan
diserahkan ke debitur untuk diberikan ke teller bank yang
selanjutnya oleh teller bank, nota D/K tersebut menjadi bukti
untuk pencairan dana kredit ke rekening debitur atau diterima
langsung.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

4.3 Swot Analisis

Dalam penelitian ini, penulis juga menjabarkan beberapa
kekuatan, kelemahan, peluang bahkan ancaman PT. Bank
Maluku dengan menggunakan SWOT Analisis untuk
menciptakan strategi bisnis. Penjabarannya dapat dilihat dalam
table analisa swot berikut ini :

T ABEL I.
STRUKTUR T ABEL SWOT ANALISIS

Gbr 4. Activity Diagram Proses Perjanjian dan Pencairan

5) Proses Pembayaran Angsuran

Setiap akhir bulan, staff marketing selalu membuat daftar
tagihan kredit bendara yang akan diserahkan ke bendahara
instansi masing-masing debitur yang melakukan kredit pada
Bank Maluku. Berdasarkan Daftar Tagihan Kredit tersebut,
bendahara instansi akan membayar langsung ke teller Bank,
oleh teller Bank akan dientry ke dalam sistem. Kemudian
bendahara akan menerima Bukti Penerimaan atau Bukti
Penyetoran Kredit Konsumtif yang kemudian diberikan
kepada Bagian marketing sebagai bukti pembayaran angsuran.

Gbr 5. Activity Diagram Proses Pembayaran Angsuran

6) Proses Pembuatan Laporan

Setiap akhir bulan bagian administrasi kredit akan
membuat laporan Kredit Konsumtif dan laporan Kolektibilitas
Pinjaman yang akan diserahkan ke Pimpinan Cabang.

Gbr 6. Activity Diagram Proses Pembuatan Laporan

116
 Jurnal TICOM Vol. 6 No.3 Mei 2018

4.4 Michael Porter Analisis 4.6 Use Case Diagram

Gbr 7. Analisa 5 Kekuatan Porter Pada PT. Bank Maluku Gbr 9. Use Case Diagram File Master

4.5 Fishbone Diagram

Gbr 8. Fishbone Diagram

Gbr 10. Use Case Diagram File Transaksi
Dari gambar fishbone diagram diketahui permasalahan yang
terjadi adalah :
- Informasi yang sulit didapat oleh debitur
- Proses Bisnis dilakukan masih konvensional
- Staff memiliki job desk lebih dari satu
- Penanganan complain dan testimonial yang tidak efektif dan
efisien.

Gbr 11. Use Case Diagram Promosi

Gbr 12. Use Case Diagram Komplain

117

Gbr 13. Use Case Diagram Testimoni
Gbr 14. Use Case Diagram History Transaksi
Gbr 15. Use Case Diagram Laporan
118
Jurnal TICOM Vol. 6 No.3 Mei 2018
c. Use Case Diagram Description
Use Case : Tambah Data Debitur
Actor : Staff Marketing
Deskripsi :
a. Actor memilih menu Tambah Data
Debitur
b. Sistem akan menampilkan interface
Tambah Data Debitur
c. Actor menginput data debitur dan
menyimpan data debitur yang telah
diinput
d. Sistem akan menyimpan data debitur
kedalam database
e. Sistem menampilkan interface tambah
data debitur
f. Actor melihat daftar data debitur dan
dapat memilih jika ingin melakukan
pengubahan atau penghapusan data
g. System akan melakukan pengubahan atau
penghapusan data secara otomatis sesuai
dengan instruksi actor
4.7 Model Data
a. Entity Relationship Diagram (ERD)
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Gbr 16. ERD

T ABEL II.
STR UK TUR T ABEL SW OT A NA L IS IS
ERD diatas menggambarkan entitas apa saja yang terbentuk
berdasarkan pembahasan proses bisnis yang ada. Entitas yang
terbentuk seperti debitur, permohonan KK, dll.

b. Spesifikasi Basis Data

1) Nama File : Debitur
Media : Harddisk
Isi : Data Debitur
Organisasi : Index Squential
Primary Key : Id_Debitur
Panjang Record : 345byte
Jumlah Record : 800 record
Struktur :

119

4.8 Struktur Menu
a. Struktur Menu
Gbr17. Strukur Menu Staff Marketing
Dikarenakan keterbatasan halaman, maka penulis hanya
menampilkan salah satu struktur menu yaitu, struktur menu
staff marketing.
b. Rancangan Layar
Berdasarkan keterbatasan halaman maka penulis hanya
menjelaskan satu rancangan form yaitu form Simulasi Kredit
Konsumtif.
Gbr 18. Rancangan Form Simulasi Kredit Konsumtif
Form diatas berfungsi untuk membantu staff marketing dan
juga debitur atau guest yang ingin melakukan simulasi kredit.
Fitur dirancang secara online agar memudahkan actor dalam
mengakses sehingga dapat lebih efisien tanpa harus melakukan
simulasi secara manual seperti yang terjadi pada system
berjalan saat ini.
4.9. Sequence Diagram
Gbr 19. Sequence Diagram Tambah Data Debitur
120
Jurnal TICOM Vol. 6 No.3 Mei 2018
Sequence diagram Tambah Data Debitur diatas terhubung
dengan satu table yaitu table debitur.
Gbr 20. Sequence diagram Tambah Permohonan KK
Sequence diagram Tambah Permohonan KK diatas
terhubung dengan tiga table yaitu debitur, staff, dan
permohonan KK.
Gbr 21. Sequence diagram Kirim Komplain (debitur)
Sequence diagram Kirim Komplain Debitur diatas
terhubung dengan satu table yaitu table complain.
V. PENUTUP
5.1 Kesimpulan
Sesuai dengan solusi yang ditawarkan berdasarkan
persoalan yang dihadapi maka dapat ditarik kesimpulan seperti
dibawah ini:
a. Dengan adanya usulan berbasis web khususnya fitur event,
Kredit Konsumtif, Prosedur dan FAQ dapat meminimalisir
proses yang kurang efektif dan efisien dimana debitur harus
datang langsung ke Bank untuk mendapatkan informasi
mengenai prosedur pengajuan Konsumtif.
b. Dalam hal penyampaian komplain, dengan fitur complain
yang diusulkan pada halaman debitur maupun staff, yang
mana dapat menyelesaikan masalah atau keluhan yang
terjadi.
c. Untuk meningkatkan pelayanan perlu adanya suatu wadah
untuk menampung pendapat nasabah atau debitur mengenai
nilai yang diterima selama bertransaksi di PT. Namk
Maluku. Sehingga dengan adanya fitur terstimonial secara
online maka diharapkan dapat mengurangi cara
penyampaian testimoni yang selama ini masih dilakukan
hanya pada saat bertransaksi di Bank.

d. Dengan fitur seperti complain, event, testimoni serta dengan
penyimpanan data debitur yang tersistem dan terintegrasi
maka dapat meningkatkan loyalitas debitur tersebut dan
menciptakan komunikasi dua arah yang selalu terjalin
antara debitur dengan Bank.
5.2 Saran
Saran-saran penulis mengenai bagaimanan meningkatkan
kepuasan debitur adalah sebagai berikut :
a. Bank harus lebih menyadari akan pentingnya meningkatkan
hubungan dengan nasabahnya dalam hal ini mengenai,
promosi. Dengan tingkat persaingan yang begitu ketat
didunia perbankan dan khususnya didunia pengkreditan,
banyak pesaing yang menawarkan beragam promosi
sehingga untuk mempertahankan keberadaan PT. Bank
Maluku sebagai BPD, maka perlu adanya pengalihan biaya
untuk biaya promosi kepada debitur secara khusus.
b. Perlu diadakan pelatihan bagi staff tentang penggunaan
teknologi dalam menunjang pelayanan terhadap debitur
atau nasabah.
c. Perlu diadakan juga sosialisasi tentang website bank yang
sudah ada maupun yang nanti diusulkan, serta menyediakan
brosur yang merupakan prosedur secara fisik tentang
website Bank yang menyediakan informasi yang dapat
diakses nasabah atau debitur tanpa harus membuang waktu
ke bank.
d. Selain perlu adanya sarana complain secara online, perlu
juga adanya kotak complain yang disediakan diarea
121
Jurnal TICOM Vol. 6 No.3 Mei 2018
pelayanan Bank, sehingga nasabah pada umumnya dapat
mengetahui deimana mereka harus menyalurkan
ketidakpuasan terhadap pelayanan yang diterima.
e. Melakukan pemeliharaan secara berkala terhadap perangkat
lunak dan perangkat keras yang dilakukan oleh personil
yang ahli untuk mencegah hal-hal yang tidak diinginkan.
DAFTAR PUSTAK A
[1] Pratama, I Putu Agus Eka, Sistem Informasi dan
Implementasinya, Bandung: Informatika 2013
[2] Chaffey, Dave. E-Business and E-Commerce
Management. 4th Edition. New Jersey : Prentice Hall,
Inc., 2009.
[3] Turban Effraim, Leidner, McLean, Wetherbe.
Information Technology For Management. USA :
John Wiley and Sons Inc., 2008
[4] David, Fred R. Manajemen Strategis Konsep. Edisi
12. Jakarta : Salemba Empat, 2009
[5] Rangkuti, Freddy. Analisis SWOT: teknik membedah
kasus bisnis – reorientasi konsep perencanaan
strategis untuk menghadapi abad 2
[6] Kasmir. Manajemen Perbankan. Jakarta : PT Raja
Grafindo Persada, 2012
[7] Sutabri, Tata. Analisis Sistem Informasi, Yogyakarta
: Penerbit Andi, 2012.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Aplikasi E-Arsip Pengamanan Pesan Elektronik

Berbasis Web dengan Mengimplementasikan
Algoritma Kriptografi RSA dan Elgamal
pada Klinik Dr. H. Hartono
Diah Anggraini# 1, Safitri Juanita#2
#
Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
1diahanggraini1995@gmail.com

2safitri.juanita@budiluhur.ac.id

Abstrak — Keamanan dokumen pada Klinik Dr. H.
Hartono sangatlah penting seperti data rekam medik
pasien. Rekam medik merupakan sebuah rekaman
kesehatan yang memuat kumpulan dokumen-dokumen
penting berkaitan dengan identitas, hasil anamnesis, hasil
pemeriksaan fisik dan catatan segala kegiatan para tenaga
kesehatan pada waktu ke waktu. Dokumen tersebut
merupakan dokumen yang bersifat rahasia, jika dokumen
rekam medik sampai jatuh ke tangan orang yang tidak
bertanggung jawab, maka ada pihak yang dirugikan dalam
insiden tersebut. Oleh sebab itu, dibutuhkan tingkat
keamanan dokumen yang tinggi. Dari kebutuhan tersebut
diperlukan suatu aplikasi pengamanan dokumen secara
elektronik (E-Arsip) dengan melakukan penyandian
informasi atau pesan yang akan dikirimkan melalui media
pengiriman surat elektronik (e-mail) dengan cara
mengimplementasikan 2 (dua) algoritma kriptografi yaitu
RSA dan Elgamal. Penelitian ini menggunakan metode
pengembangan sistem Waterfall, pada tahapan desain
aplikasi ini dibangun menggunakan bahasa pemrograman
PHP, Javascript dan basis data MySQL. Proses
pengamanan dokumen dilakukan dengan
mengimplementasikan algoritma RSA untuk proses
enkripsi dan dekripsi file attachment atau lampiran file
yang akan dirahasiakan sedangkan implementasi
algoritma Elgamal digunakan untuk proses enkripsi dan
dekripsi isi pesan e-mail dengan menggunakan public key
dan private key yang telah dibuat ketika proses register.
Kesimpulan dari penelitian ini adalah dengan
mengimplementasikan kedua algoritma kriptografi (RSA
dan Elgamal) maka aplikasi ini dapat mengatasi masalah
keamanan dokumen sehinggap pihak yang tidak
berkepentingan tidak dapat mengetahui isi dari pada
informasi atau pesan tersebut, aplikasi ini hanya bisa
digunakan dengan menggunakan akun Gmail.
Kata Kunci - Kriptografi, E-mail, Algoritma RSA,
Algoritma Elgamal, Algoritma Asimetris, Rekam Medik
Abstract - Document Security at Dr. Clinic H. Hartono is
very important as the patient's medical records. A medical
record is a health record containing a collection of important
documents relating to identity, the results of the history, the
results of physical examination and all activities recorded by
the medical officer at any time. These document are
confidential and if these medical record fall into
irresponsible hand may lead to harming the hospital
reputation and mismanagement of the data. Therefore, a
high level document security is required, in order to achieve
it we need an electronic document security application (E-
Archive) by encoding information or messages to be sent via
electronic mail (e-mail) by implementing 2 (two)
cryptographic algorithms RSA and Elgamal. This research
uses Waterfall system development method, this application
is built using PHP programming language, Javascript and
MySQL database. The process of document security is done
by implementing RSA algorithm for encryption and
decryption attachment files thus makes file attachment to be
kept secret while implementation of Elgamal algorithm is
used for encryption and decryption of e-mail message
content by using public key and private key which have been
created in register process. The conclusion of this research
related to implementation of both cryptographic algorithms
(RSA and Elgamal). The application can solve document
security problem so that unauthenticated people can not
reach the contents of the information or message, this
application can only be used by using Gmail account.

122
 Jurnal TICOM Vol. 6 No.3 Mei 2018

1) P dan q bilangan prima (rahasia)

2) n=p.q (tidak rahasia)
Keywords - Cryptography, E-mail, RSA Algorithm, Elgamal
3) φ(n)= (p–1)(q–1) (rahasia)
Algorithm, Asymmetric Algorithm, Medical Record
4) e (kunci enkripsi) (tidak rahasia)
5) d (kunci dekripsi) (rahasia)
I. PEND AHULU AN 6) m (plainteks) (rahasia)
7) c (cipherteks) (tidak rahasia)
Klinik Dr.H.Hartono adalah klinik yang melayani
permasalahan pada gigi, kesehatan anak hingga dewasa dan b. Perumusan Algoritma RSA
juga keluhan lainnya . Klinik Dr. H. Hartono juga Algoritma RSA didasarkan pada teorema Euler yang
menggunakan email sebagai media pengiriman dokumen menyatakan bahwa [4]
rekam medik pasien pengguna BPJS. Keamanan dokumen pada a φ(n) = 1 (mod n) (2.1)
Klinik Dr. H. Hartono sangatlah penting seperti data rekam yang dalam hal ini,
medik pasien. Rekam medik merupakan sebuah rekaman 1) a harus relatif prima terhadap n
kesehatan yang memuat kumpulan dokumen-dokumen penting 2) φ(n)=n(1-)/p1 )(1-1/p2)...(1-1/pr ), yang dalam hal ini p1, p2,
berkaitan dengan identitas, hasil anamnesis, hasil pemeriksaan ...,pr adalah faktor prima dari n.
fisik dan catatan segala kegiatan para tenaga kesehatan pada φ(n) adalah fungsi yang menentukan beberapa banyak dari
waktu ke waktu. Dokumen tersebut merupakan dokumen yang bilangan-bilangan 1, 2, 3, ...,n yang relatif prima terhadap n.
bersifat rahasia. Jika dokumen rekam medik sampai jatuh ke Berdasarkan sifat ak =bk (mod n) untuk k bilangan bulat ≥ 1,
tangan orang yang tidak bertanggung jawab, maka ada pihak maka persamaan 2.1 dapat ditulis menjadi
yang dirugikan dalam insiden tersebut. Oleh sebab itu, a kφ(n) = 1k (mod n) (2.2)
dibutuhkan tingkat keamanan dokumen yang tinggi. Maka dari atau
itu penelitian ini bertujuan membuat suatu aplikasi penyandian akφ(n) = 1 (mod n) (2.3)
informasi atau pesan yang akan dikirimkan dengan Bila a diganti dengan m, maka persamaan 2.3 menjadi
memanfaatkan media email yang ditunjukkan untuk membantu mkφ(n) = 1 (mod n) (2.4)
mengatasi masalah keamanan dokumen sehingga ketiga tidak Berdasarkan sifat ac=bc(mod n), maka bila persamaan 2.4
dapat mengetahui isi dari pada informasi atau pesan tersebut dikali dengan m menjadi:
dengan judul Implementasi Algoritma Kriptografi RSA Dan mkφ(n)+ 1 = m (mod n) (2.5)
Elgamal Untuk Pengamanan Pesan Elektronik (E-Mail) Pada yang ada dalam hal ini m relatif prima terhadap n.
Aplikasi E-Arsip Berbasis Web Di Klinik Dr. H. Hartono. Misalkan e dan d dipilih sedemikian sehingga
Algoritma asimetri RSA sangat baik untuk mengatasi e.d =1 (mod φ(n)) (2.6)
masalah manajemen distribusi kunci yaitu dengan menyimpan atau
pasangan kunci pada basisdata sedangkan kunci yang e.d = kφ (n) + 1 (2.7)
didistribusikan hanya kunci publik [1]. Sedangkan kunci Gantikan persamaan 2.7 ke dalam persamaan 2.5 menjadi:
algoritma Elgamal bersandar pada kesulitan masalah logaritma m e . d = m (mod n) (2.8)
diskrit bilangan prima yang digunakan, karena bilangan prima Persamaan 2.8 dapat ditulis kembali menjadi
yang digunakan bilangan prima besar maka sangat sulit bahkan (m e )d = m (mod n) (2.9)
tidak mungkin menurunkan kunci private dari kunci public Yang artinya, perpangkatan m dengan e diikuti dengan
yang diketahui walaupun serangan dilakukan menggunakan perpangkatan dengan d menghasilkan kembali m semula.
sumberdaya komputer yang sangat besar [2]. Berdasarkan persamaan 2.9, maka enkripsi dan dekripsi
dirumuskan sebagai berikut
II. TINJAU AN PUSTAK A Ee (m ) = c = me mod n (2.10)
Da (c ) = m = cd mod n
2.1. Algoritma RSA Karena e ⋅ d = d ⋅ e , maka enkripsi diikuti dengan dekripsi
Algoritma RSA dibuat oleh 3 orang peneliti dari MIT ekivalen dengan dekripsi diikuti enkripsi:
(Massachussets Institute of Technology) pada tahun 1976, Dd (Ee (m )) = Ee (Dd (m)) = md mod n
yaitu: Ron Rivest, Adi Shamir, dan Leonard Adleman. Oleh karena md mod n = (m + jn)d mod n untuk sembarang
Keamanan algoritma RSA terletak pada sulitnya memfaktorkan bilangan bulat j, maka tiap plainteks m, m + n, m + 2n, ...,
bilangan yang besar menjadi faktor-faktor prima. Pemfaktoran menghasilkan cipherteks yang samma. Dengan kata lain,
dilakukan untuk memperoleh kunci private. Selama transformasinya dari banyak ke satu.
pemfaktoran bilangan besar menjadi faktor prima belum Agar transformasinya satu-ke-satu, maka m harus dibatasi
ditemukan algoritma yang cocok, maka selama itu pula dalam himpunan {0, 1, 2, ..., n – 1} sehingga enkripsi dan
keamanan algoritma RSA tetap terjamin [3]. dekripsi tetap benar seperti pada persamaan 2. 9 dan 2.10.

a. Properti Algoritma RSA

Besaran-besaran yang digunakan pada algoritma RSA [4]:

123

c. Proses Pembentukan Pasangan Kunci
Pengkodean RSA membutuhkan dua kunci yang berbeda
untuk proses enkripsi dan dekripsi. Bilangan yang dipilih
sebagai kunci adalah bilangan prima yang besar dengan
pemfaktoran sebuah bilangan hasil dari perkalian dari dua
bilangan prima yang besar menjadi dua bilangan prima yang
sesuai akan sangat sulit [4]. Berikut ini adalah proses
pembentukan kunci dalam algoritma kriptografi RSA [4]:
1) Pilih dua bilangan prima sembarang p dan q.
2) Hitung n = p ∙ q. Sebaiknya p ≠ q, karena jika p = q maka n
= p2 .
3) Hitung φ(n) = (p – 1)(q – 1).
4) Pilih public key e yang relatif prima terhadap φ(n).
5) Bangkitkan private key dengan menggunakan persamaan
(2.6), yaitu e ∙ d ≡ 1 (mod φ(n)).
Perhatikan bahwa e ∙ d ≡ 1 (mod φ(n)) ekivalen dengan e ∙
d ≡ 1 + kφ(n), sehingga dapat dihitung dengan: d = 1 + k φ(n)
Akan terdapat bilangan bulat k yang memberikan bilang bulat
d.
Hasil dari pembentukkan pasangan kunci adalah:
1) Public key (e,n)
2) Private key (d,n)
Nilai n tidak bersifat rahasia, karena diperlukan pada saat
perhitungan proses enkripsi dan dekripsi.
d. Proses Enkripsi RSA
Langkah-langkah pada proses enkripsi adalah sebagai
berikut [4]:
1) Ubah plaintext ke dalam bentuk bilangan. Untuk mengubah
plaintext menjadi bilangan menggunakan kode ASCII.
2) Plaintext m dinyatakan menjadi blok-blok m1,m2, …,
sedemikian sehingga setiap blok merepresentasikan nilai
didalam selang [0, n – 1].
3) Setiap blok mi dienkripsi menjadi blok ci dengan rumus ci =
mie mod n.
e. Proses Dekripsi RSA
Setiap blok cipherteks ci didekripsi kembali menjadi blok
mi dengan rumus mi = cid mod n [4].
2.2. Algoritma Elgamal
Sistem kriptografi Elgamal menjadi populer ketika
pengembang open source software untuk kriptografi mencari
alternatif dari RSA yang ketika itu patennya masih berlaku.
Seperti halnya dengan Diffie-Hellman dan DSA, keamanan
Elgamal didasarkan atas sukarnya mengkomputasi logaritma
diskrit. Akan tetapi berbeda dengan Diffie-Hellman yang
khusus dirancang untuk key agree- ment dan DSA yang khusus
dirancang untuk digital signature, Elgamal lebih seperti RSA
karena fungsinya untuk enkripsi umum [5].
Algoritma Elgamal diciptakan oleh Taher Elgamal pada
tahun 1985. Algoritma Elgamal apada awalnya digunakan
untuk kepentingan digital signature, namun kemudian
dikembangkan untuk dapat digunakan pada proses enkripsi dan
dekripsi. Algoritma Elgamal bersandar pada kesulitan masalah
logaritma diskrit bilangan prima yang digunakan. Karena
124
Jurnal TICOM Vol. 6 No.3 Mei 2018
bilangan prima yang digunakan adalah bilangan prima besar,
maka sangat sulit bahkan tidak mungkin menurunkan kunci
private dari kunci public yang diketahui walaupun serangan
dilakukan menggunakan sumberdaya komputer yang sangat
besar [5].
Besaran-besaran yang digunakan dalam algoritma
kriptografi Elgamal adalah:
a. Bilangan prima bersifat tidak rahasia.
b. Bilangan bulat acak ( < ) bersifat tidak rahasia
c. Bilangan bulat acak (1 ≤ ≤ − 2) bersifat rahasia.
d. Bilangan bersifat tidak rahasia.
e. (plaintext) bersifat rahasia merupakan pesan asli yang
digunakan sebagai input pada proses enkripsi dan
merupakan output dari proses dekripsi.
f. dan (ciphertext) bersifat tidak rahasia
Terdapat tiga proses utama pada algoritma Elgamal yaitu:
pembangkitan kunci, proses enkripsi, dan dekripsi.
Pembangkitan kunci terdiri atas pembangkitan kunci public
(p,g,y) dan kunci private (x). Kunci public digunakan untuk
mengenkripsi pesan dan kunci private digunakan untuk
mendekripsi pesan. Nilai p, g, dan x dibangkitkan dengan cara
dipilih, sedangkan nilai y diperoleh dari perhitungan dengan
menggunakan persamaan 2.13.
y = gx mod p (2.13)
Proses enkripsi dilakukan dengan menggunakan kunci public
(p,g,y) dan sebuah bilangan integer acak k (dimana k ∈{0,1,...,
p − 1}). Ciphertext yang dihasilkan dari proses enkripsi terdiri
dari pasangan nilai a dan b (a,b) yang diperoleh dari persamaan
2.14 dan 2.15.
a = gk mod p (2.14)
b = yk m (mod p) (2.15)
Dekripsi dari ciphertext ke plainteks menggunakan kunci
private x dan nilai p dari kunci public. Proses dekripsi
dilakukan dengan mengambil blok ciphertext (yang terdiri dari
nilai a dan b) dan memasukkannya ke dalam persamaan 2.16,
untuk mendapatkan nilai pesan (m).
m = b.a(p-1-x) m (mod p) (2.16)
2.3. Studi Literatur Penelitian Sebelumnya
1. Implementasi Kriptografi Kunci Publik dengan
Algoritma RSA-CRT pada Aplikasi Instant Messaging
[1]
Masalah pada penelitian ini adalah dengan semakin
banyaknya pengguna aplikasi instant messaging berakibat pada
dampak negatif berupa penyadapan data khususnya saat terjadi
komunikasi yang bersifat rahasia. Aplikasi diimplementasikan
dengan algoritma RSA dan CRT. Aplikasi Instant messaging
dibangung dengan dengan pemrograman Soket berbasis TCP.
Kesimpulan dari penelitian ini adalah proses dekripsi
menggunakan algoritma RSA-CRT untuk 1.800 karakter
dengan bit n dari 56 bit sampai 88 bit memiliki kecapatan rata-
rata dua kali lebih cepat dibandingkan menggunakan algoritma
RSA. Semakin besar panjang string, nilai n kemungkinan besar
semakin cepat waktu dekripsi menggunakan RSACRT.
Persamaan dengan penelitian yang saat ini dibuat,

mengimplementasikan algoritma yang sama dalam
mengamankan isi komunikasi, perbedaan penelitian ini dengan
yang sedang dibuat, aplikasi ini memanfaatkan GMAIL dan
mengamankan bukan hanya text namun juga mengamankan file
lampiran.
2. Implementasi Algoritma Kriptografi RSA pada Surat
Elektronik (E-Mail) [4]
Masalah pada penelitian ini adalah kejahatan-kejahatan
cyber yang memanfaatkan celah keamanan yang ada untuk
masuk kedalam suatu jaringan dan melakukan manipulasi
terhadap data/informasi yang ditransmisikan, metode yang
digunakan adalah Algoritma RSA dan membangun dengan
bahasa pemrograman PHP. Kesimpulan dari penelitian ini
adalah dengan mengimplementasikan algoritma kriptografi
RSA pada aplikasi ini, membantu pengguna untuk melakukan
proses enkripsi pesan sebelum dikirimkan dan melakukan
proses dekripsi saat penerimaan pesan. Sehingga dengan
menggunakan aplikasi ini, pengguna untuk dapat melakukan
proses distribusi informasi secara aman. Perbedaan penelitian
ini dengan sebelumnya, pada penelitian ini memanfaatkan
GMAIL dalam pengiriman pesan rahasia dan menggunakan 2
algoritma kriptografi.
III. M ET ODOLOGI PENELITIAN
3.1. Jenis Penelitian
Pada Penelitian ini digunakan jenis penelitian kualitatif.
Penelitian kualitatif ini secara spesifik lebih diarahkan pada
penggunaan metode studi kasus. Sebagaimana pendapat
Creswell (dalam [6]) yang menyebutkan bahwa pendekatan
kualitatif dapat juga disebut dengan studi kasus, yaitu jenis
pendekatan yang digunakan untuk menyelidiki dan memahami
sebuah kejadian atau masalah yang telah terjadi dengan
mengumpulkan berbagai macam informasi yang kemudian
diolah untuk mendapatkan sebuah solusi agar masalah yang
diungkap dapat terselesaikan.
3.2. Langkah-Langkah penelitian
Tahapan penelitian menurut [7] ada 4 tahapan dalam
pelaksanaan penelitian, yaitu sebagai berikut :
1. Tahap Pra Lapangan
Pada tahap ini melakukan studi literatur topik kriptografi,
mencari tempat sebagai lokasi studi kasus dan mencari
subjek sebagai narasumber untuk mengetahui masalah yang
bisa diselesaikan menggunakan topik kriptografi. Tahap ini
dilakukan pada bulan Februari 2017.
2. Tahap Pekerjaan Lapangan
Pada tahap ini dilakukan pengumpulan data dilakukan pada
bulan Maret 2017.
3. Tahap Analisis Data
Pada tahap ini analisa data dilakukan serangkaian proses
analisa seperti membuat rancangan basis data, rancangan
layar dan membuat desain rancangan layar dan pembuatan
aplikasi menggunakan bahasa pemrograman java. Tahap ini
dilakukan dari bulan April 2017 sampai bulan Mei 2017.
125
Jurnal TICOM Vol. 6 No.3 Mei 2018
4. Tahap Evaluasi dan Pelaporan
Pada tahap ini melakukan proses pengujian aplikasi dengan
menguji aplikasi ke user. Tahap ini dilakukan pada bulan
Juni 2017.
IV. HASIL DAN ANALISA
4.1. Rancangan Sistem Dan Aplikasi
Pada alur penelitian ini dilakukan dengan rumusan
masalah yang ada pada tempat instansi, melakukan wawancara
dan observasi secara langsung sehingga dapat mengumpulkan
informasi yang dibutuhkan. Membaca hasil penelitian dari
berbagai jurnal, makalah, buku dan lain sebagainya. Setelah
mengumpulkan data dari berbagai media, data yang
dikumpulkan kemudian akan dibuat menjadi data usecase
diagram dan flowchart untuk perancangan pada program serta
membuat rancangan layar dan program, selanjutnya merancang
sistem dengan membuat program berbasis web untuk
pengiriman dan penerimaan email yang terhubung dengan
IMAP serta dapat melakukan enkripsi file dan dekripsi file
dengan menggunakan program yang sudah ada. Tahap
selanjutnya adalah dengan menggabungkan program-program
yang sudah di uji coba menjadi satu sistem. Kemudian
melakukan pengujian terhadap sistem yang telah dibuat,
dilakukan dengan mengkoneksikan web enkripsi dan dekripsi
dengan IMAP agar file yang dikirim melalkui email akan
diamankan dengan cara dienkripsi, sehingga isi file dirubah
dengan menggunakan kunci asimetris menjadi kode-kode
ASCII dan jika ingin mendapatkan file yang dienkrip menjadi
file seperti semula maka dilakukan dengan men-download file
terlebih dahulu kemudian melakukan dekripsi pada file yang
telah di download dan file akan berubah seperti semula dengan
menggunakan metode RSA dan elgamal.
Dalam proses pengiriman e-mail, user terlebih dahulu
register untuk dapat login ke aplikasi. Setelah login, user dapat
melakukan pengiriman dengan menggunakan aplikasi tersebut.
Berikut gambaran proses pengiriman pesan:
Gbr. 1 Skema Proses Pengiriman E-mail
Setelah pengirim pesan ke penerima, penerima membuka
aplikasi tersebut dan login ke aplikasi. Penerima bisa membuka
 Jurnal TICOM Vol. 6 No.3 Mei 2018

pesan dan membalas pesan ke pengirim. Berikut gambaran

proses penerimaan pesan:

Gbr. 4 Rancangan Layar Compose

Alur proses pada halaman compose digambarkan pada

flowchart gambar di bawah, pada flowchart ini merupakan alur
dari form Menu Compose. User dapat menggunakan menu ini
untuk mengirim e-mail.

Gbr. 2 Skema Proses Penerimaan E-Mail

Berikut adalah use case diagram dari aplikasi yang akan

dibangun :

Gbr. 3 Use Case Diagram

4.2. Proses Enkripsi

Aplikasi ini menggabungkan antara proses pengiriman
pesan sekaligus dengan proses enkripsi pesan. user harus
menuju menu compose pada aplikasi kemudian menginput
alamat email penerima, subject, body pesan hingga attachment
jika diperlukan. File Attachment yang dapat dikirim dan Gbr. 5 Flowchart Compose
dienkripsi berupa file dengan ekstensi *.pdf, *.doc, *.docx,
*.ppt, *.pptx, *.xls, *.xls, *.jpg, dan *.txt. Berikut rancangan Flowchart proses enkripsi ini menjelaskan tentang alur sub
layar compose, flowchart compose hingga flowchart enkripsi proses enkripsi file attachment yang akan diubah menjadi
RSA dan Elgamal: ciphertext dengan menggunakan key yang di input pada public
key. Berikut flowchart yang menggambarkan proses enkripsi
RSA :

126

Gbr. 6 Flowchart Enkripsi RSA
Flowchart proses enkripsi ini menjelaskan tentang alur sub
proses enkripsi file yang akan diubah menjadi file ciphertext
dengan menggunakan key yang di input pada public key.
Berikut flowchart yang menggambarkan proses enkripsi
Elgamal:
Gbr. 7 Flowchart Enkripsi Elgamal
Setelah melakukan pengiriman pesan, maka email akan
otomatis terkirim dan terenkripsi, pesan dapat dilihat dihalaman
inbox aplikasi ataupun Gmail.
127
Jurnal TICOM Vol. 6 No.3 Mei 2018
4.3. Proses Dekripsi
Proses dekripsi terdapat pada menu inbox. User mengklik
subject pada inbox yang ingin dilihat. Jjika user memiliki file
attachment maka, user menggunakan menu decrypt file, setelah
itu akan muncul rancangan layar inbox dan decrypt file yang
digunakan untuk mengembalikan pesan kebentuk semula.
Berikut rancangan layar inbox dan dekripsi beserta flowchart
inbox, decrypt file dan flowchart dekripsi RSA dan Elgamal:
Gbr. 8 Rancangan Layar Inbox
Menu Decrypt dimana pengguna dapat mengembalikan file
attachment yang dienkripsi menjadi file plaintext seperti
semula tanpa mengalami kerusakan. Sebelum didekripsi maka
file attachment di-download terlebih dahulu pada menu inbox.
Berikut rancangan layar menu decrypt:
Gbr. 9 Rancangan Layar Decrypt File
Pada flowchart halaman inbox, user dapat melihat pesan
masuk dari halaman inbox dengan memasukkan private key
Pada halaman inbox kita juga dapat mendownload file pada
pesan email yang telah diterima. Berikut adalah penjelasan dari
flowchart halaman inbox:

Gbr. 10 Flowchart Inbox
Pada flowchart ini menjelaskan tentang mengembalikan file
attachment yang sebelumnya didekripsi oleh pengirim dan user
akan mengembalikan file kesemula tanpa mengubah isi dari file
tersebut. Beritkut flowchart halaman decrypt file:
Gbr. 11 Flowchart Decrypt File
Flowchart proses dekripsi ini menjelaskan tentang alur sub
proses dekripsi dengan mengembalikan file attachment yang
berbentuk ciphertext kedalam bentuk file plaintext dengan
menggunakan private key. Berikut flowchart yang
menggambarkan proses dekripsi RSA:
128
Jurnal TICOM Vol. 6 No.3 Mei 2018
Gbr. 12 Flowchart Dekripsi RSA
Flowchart proses dekripsi ini menjelaskan alur jalannya
proses algoritma Elgamal dalam melakukan proses dekripsi
untuk mengembalikan file yang tadinya ciphertext menjadi file
plaintext. Untuk lebih jelasnya berikut algoritma proses
dekripsi Elgamal :
Gbr. 13 Flowchart Dekripsi Elgamal
4.4. Implementasi Program
Setelah melalui tahap perancangan, pembuatan hingga uji
coba program, maka dapat diperoleh hasil dari uji coba program
tersebut.
1. Halaman Login
Tampilan layar menu login merupakan layar yang muncul
saat pertama kali ketika aplikasi dijalankan menuju ke halaman
menu utama, namun untuk masuk ke halaman menu utama
aplikasi ini user harus meng-input terlebih dahulu email dan
password pada aplikasi tersebut. Berikut adalah gambar
tampilan layar menu login:
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Gbr. 16 Tampilan Halaman Utama

Gbr. 14 Tampilan Layar Login
2. Halaman Register
User terlebih dahulu melakukan pendaftaran agar dapat
menggunakan aplikasi ini. User harus meng-input email,
password, fullname, address, phone number, dan mengklik
button generate key untuk melakukan register. Berikut adalah
gambar tampilan layar untuk pendaftaran:
4. Halaman E-mail
User akan diarahkan ke halaman inbox ketika mengklik
menu email. Menu email digunakan untuk menyediakan menu-
menu bagi pengguna untuk melakukan pengiriman pesan dan
penerimaan pesan. Berikut adalah gambar tampilan layar menu
email:

Gbr. 17 Tampilan Halaman Email

5. Halaman Compose
Fungsi dari menu compose digunakan untuk mengirimkan
pesan email ke alamat tujuan. Kemudian pengguna meng-input
email tujuan, subject, dan message. Tetapi sebelum mengirim
harus memilih public key dan mengklik get key. Untuk lebih
Gbr. 15 Tampilan Halaman Register
jelasnya berikut adalah gambar layar menu compose:
3. Halaman Utama
Tampilan layar menu utama ini merupakan tampilan
halaman awal aplikasi setelah melakukan login, namun aplikasi
ini memiliki 6 menu. Diantaranya menu home, email, profile,
logout, help, dan about. Pada menu email pengguna dapat
melihat menu yang tersedia didalamnya, seperti home,
compose, inbox, dan decrypt file, menu profile pengguna dapat
mengganti profile yang sudah di register sebelumnya dan dapat
mengganti generate key, menu logout berfungsi untuk keluar
dari aplikasi, menu help jika pengguna ingin mengetahui isi
dari aplikasi ini, dan menu about berisi informasi mengenai
pengembang aplikasi ini. Untuk lebih jelasnya berikut adalah
gambar tampilan layar menu utama:
Gbr. 18 Tampilan Halaman Compose

129
 Jurnal TICOM Vol. 6 No.3 Mei 2018

6. Halaman Decrypt
Halaman decrypt file ini, berfungsi untuk mengembalikan
file yang terenkripsi dari file chipertext yang telah di download
pada menu inbox menjadi file plaintext sehingga dapat dibaca
oleh client. Berikut adalah gambar tampilan layar halaman
decrypt file :

Gbr. 21 Pengujian enkripsi file attachment

8. Proses Dekripsi
Jika pesan ingin dibaca, user harus memilih menu email
lalu memilih menu inbox dan pilih pesan yang ingin dibaca.
Dan jika ada file attachment maka user harus ke menu decrypt
untuk mengembalikan file attachment untuk di dekripsi.

Gbr. 19 Tampilan Halaman Decrypt

7. Proses Enkripsi
User harus mengisi alamat tujuan, subject, pesan, pilih
public key dan jika ada lampirkan file attachment dan ceklis
checkbox “Encrypt Attachment”. Jika user sudah melengkapi
form yang tersedia, maka user dapat mengklik tombol send
untuk proses pengiriman pesan sekaligus proses enkripsi.

Gbr. 22 Pengujian dekripsi body pesan

Gbr. 20 Pengujian enkripsi body pesan

Gbr. 23 Pengujian dekripsi file attachment

9. Future Research
a. Aplikasi ini hanya dapat menyisipkan file *.txt, *.doc,
.docx, *.pdf, *.ppt, *.pptx, *.xls, *.xlsx dan *.jpg.
Untuk itu kedepannya perlu dikembangkan untuk
menambahkan file extension lainnya.
b. Interface masih sederhana, diharapkan dapat
ditambahkan beberapa fitur seperti forward message,

130
 Jurnal TICOM Vol. 6 No.3 Mei 2018

delete message, halaman draft, halaman sent, dan lain- DAFTAR PUSTAK A
lain.
c. Dalam pengembangannya, aplikasi ini dapat [1]. Arief. A & R. Saputra. 2016. Implementasi Kriptografi
menggunakan metode kompresi sehingga ukuran file Kunci Publik dengan Algoritma RSA-CRT pada Aplikasi
yang dienkrip atau didekrip dapat lebih diminimalisir. Instant Messaging. Scientific Journal of Informatics, 3(1),
p. 46–54, ISSN: 2460–7658, Available at
V. KESIMPULAN https://journal.unnes.ac.id/nju/index.php/sji/article/view/
6115/4910.
Kesimpulan dari penelitian ini adalah : [2]. Ariyus, Dony. 2008. Pengantar Ilmu Kriptografi Teori,
1. Setelah implementasi kedua algoritma RSA dan Elgamal Analisis, dan Implementasi. Yogyakarta: C.V Andi
dilakukan, maka hasil evaluasi membuktikan bahwa OFFSET.
dengan adanya aplikasi ini data rekam medik dan [3]. Munir, Rinaldi. 2006. Diktat Kuliah IF2153 Matematika
dokumen rahasia lainnya yang dikirimkan dapat Diskrit. Program Studi Teknik Informatika, Bandung:
diamankan, aplikasi ini harus menggunakan email Institut Teknologi Bandung.
GMAIL saat menerima dan mengirim dokumen rahasia. [4]. Wahyadyatmika, A.P., R. R. Isnanto, & M. Somantri.
2. Aplikasi ini menggunakan algoritma RSA yang 2014. Implementasi Algoritma Kriptografi RSA Pada
digunakan untuk proses enkripsi dan dekripsi file Surat Elektronik (E-mail). Jurnal Transient, 3(4), hal. 442-
attachment dan algoritma Elgamal yang digunakan 450, ISSN: 2302-9927. Available at:
untuk proses enkripsi dan dekripsi pesan e-mail dengan https://ejournal3.undip.ac.id/index.php/transient/article/v
menggunakan public key dan private key yang telah iew/7183/6950.
dibuat ketika proses register. [5]. Pahrizal & D. Pratama. 2016. Implementasi Algoritma
RSA Untuk Pengamanan Data Berbentuk Teks. Jurnal
Pseudocode, 3(1), hal. 44-49, ISSN: 2355-5920.
Available at :
https://ejournal.unib.ac.id/index.php/pseudocode/article/
view/832/726
[6]. Sugiyono. 2014. Metode Penelitian Kuantitatif, Kualitatif,
dan Kombinasi (Mixed Method). Bandung: Alfabeta.
[7]. Moleong, Lexy J. 2000. Metodologi Penelitian Kualitatif.
Bandung: PT.Remaja Rosdakarya.

131
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Sistem Penunjang Keputusan Menggunakan Metode

SAW untuk Menentukan Pemenang Tender Barang
dan Jasa Antara Instansi Pemerintah dengan Pihak
Ketiga Di Kementerian Agraria dan Tata
Ruang/Badan Pertanahan Nasional
Komar Sidik# 1, Sri Mulyati#2 , Noni Juliasari#3
#
Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
11111510986@budiluhur.ac.id,

2sri.mulyati@budiluhur.ac.id,

3noni.juliasari@budiluhur.ac.id

Abstrak — Dengan semakin berkembangnya Teknologi
Informasi, maka dapat dipastikan bahwa dukungan
hardware dan software yang baik dapat membantu dan
memudahkan proses penyelesaian suatu pekerjaan agar
berjalan akurat, efektif, dan efesien. Perkembangan
teknologi tersebut dibutuhkan dalam institusi
pemerintahan seperti Kementerian ATR/BPN, khususnya
pada Satuan Kerja Direktorat Jenderal Pengendalian
Pemanfaatan Ruang dan Penguasaan Tanah dalam hal
penentuan keputusan untuk memperoleh hasil urutan
peringkat terbaik di Satuan Kerja Dirjen Pengendalian
Pemanfaatan Ruang dan Penguasaan Tanah dengan
menggunakan sistem penunjang keputusan metode Simple
Additive Weighting (SAW. Setelah dilakukan penelitian
mengenai penerapan metode Simple Additive Weighting
(SAW) untuk penentuan keputusan bagi pihak ketiga yang
terbaik di Satuan Kerja Direktorat Jenderal Pengendalian
Pemanfaatan Ruang dan Penguasaan Tanah, Kementerian
ATR/BPN dengan menerapkan 5 (lima) kriteria yang ada,
seperti Profil Perusahaan, Izin Usaha, Data Tenaga Ahli,
Pengalaman Perusahaan, dan Tidak Masuk Daftar Hitam
Perusahaan, maka hasil penentuan keputusan bagi pelaku
kontrak pekerjaan dapat dihasilkan penilaian yang lebih
terperinci dibandingkan dengan perhitungan manual,
maka proses penentuan pihak ketiga yang terbaik dapat
dilakukan dengan lebih akurat dan tepat.
Kata Kunci : Sistem Penunjang Keputusan, Simple Additive
Weighting (SAW)
Abstract — With the development of Information
Technology, it can be ensured that the support of good
hardware and software can help and facilitate the process of
completion of a job to run accurately, effectively, and
efficiently. The development of such technology is needed in
government institutions such as the Ministry of ATR / BPN,
especially in the Working Unit of the Directorate General of
Spatial Use Control and Land Control in determining the
decision to obtain the best ranking result in the Working Unit
of the Directorate General of Spatial Use Control and Land
Control using decision support system Method of Simple
Additive Weighting (SAW) After conducting research on the
application of Simple Additive Weighting (SAW) method for
decision making for the best third party in Work Unit of
Directorate General of Spatial and Land Use Controlling of
Ministry of ATR / BPN by applying 5 (five) criteria available,
such as Company Profile, Business License, Expert Data,
Company Experience, and Unchecked Company, the result of
decision making for contract worker can be generated more
detailed assessment compared to calculation manual, then the
best third-party determination process can be done more
accurately and precisely.
Keywords: Decision Support System, Simple Additive
Weighting (SAW)

132

I. PEND AHULU AN
Dengan semakin berkembangnya Teknologi Informasi
terkini, maka dapat dipastikan bahwa dukungan hardware dan
software yang baik dapat membantu dan memudahkan proses
penyelesaian suatu pekerjaan. Seperti halnya didalam institusi
pemerintahan maupun perkantoran, kini telah menggunakan
komputer sebagai sarana Teknologi Informasi. Dewasa ini,
permasalahan mengenai keakuratan, efektifitas, dan efisiensi
dalam hal pengelolaan data-data dan informasi masih menjadi
permasalahan utama pada dunia pekerjaan. Masalah seperti ini
sering ditemui pada lingkungan pemerintahan, khususnya pada
Satuan Kerja Direktorat Jenderal Pengendalian Pemanfaatan
Ruang dan Penguasaan Tanah. Salah satu permasalahan yang
dihadapi oleh Satuan Kerja Direktorat Jenderal Pengendalian
Pemanfaatan Ruang dan Penguasaan Tanah adalah pada
kegiatan lelang barang dan jasa. Pada kegiatan tersebut
diperlukan perekapan data persyaratan dokumen kualifikasi
kontrak serta pengolahan data persyaratan dokumen kualifikasi
kontrak untuk menentukan suatu keputusan.
Sementara itu pengelolaan data seperti dokumen-dokumen
persyaratan dan perjanjian kontrak untuk penentuan keputusan
hasil kualifikasi saat ini masih berjalan kurang efektif, terlihat
dari dokumen-dokumen persyaratan yang masih dalam bentuk
dokumen kertas, sehingga proses rekapitulasi dokumen
berjalan lambat dan kurang efektif. Hal ini menimbulkan
permasalahan ketika akan dilakukan pengelolaan data yang
nantinya akan diproses lebih lanjut oleh panitia seleksi karena
akan membutuhkan waktu yang lebih lama dalam
pemrosesanya. Selain itu proses penentuan keputusan masih
dilakukan secara manual, yaitu dengan membandingkan
dokumen piihak-pihak yang sudah mendaftar, dimana
perbandingan tersebut dilakukan sesuai kriteria-kriteria
persyaratan yang sudah ditentukan oleh pihak panitia seleksi.
Mengingat banyaknya pihak-pihak yang mendaftar dalam
proyek tahunan dan data-data yang perlu direkap serta dianalisa
secara cepat dan efektif, oleh karena itu dibutuhkan sistem
aplikasi dan metode yang mampu membantu menyelesaikan
proses pengelolaan data persyaratan kualifikasi pihak ketiga,
serta menentukan hasil akhir pemenang tender oleh panitia
Satuan Kerja Direktorat Jenderal Pengendalian Pemanfaatan
Ruang dan Penguasaan Tanah.
Melihat dari permasalahan tersebut, diperlukan sebuah
analisa sistem bagi pihak ketiga untuk memperoleh urutan
peringkat terbaik sesuai dengan kriteria yang telah ditentukan
oleh Satuan Kerja Direktorat Jenderal Pengendalian
Pemanfaatan Ruang dan Penguasaan Tanah yang berbasis
Sistem Pendukung Keputusan dengan menggunakan metode
Simple Additive Weighting (SAW), sehingga dapat
mempermudah untuk pengambilan keputusan.
Satuan Kerja Direktorat Jenderal Pengendalian
Pemanfaatan Ruang dan Pengusaan Tanah memerlukan sebuah
solusi untuk mengelola data dan informasi berdasarkan latar
belakang di atas. Maka dari itu berikut adalah rumusan masalah
mengenai pengelolaan data dan informasi dengan metode SAW
:
133
Jurnal TICOM Vol. 6 No.3 Mei 2018
· Bagaimana cara menentukan kriteria calon pemenang
kontrak yang mendapatkan nilai tertinggi dan terendah.
· Bagaimana menerapkan sistem penunjang keputusan
untuk mempermudah pihak ketiga dan instansi
pemerintahan dengan menggunakan metode SAW.
Berdasarkan permasalahan yang di dapat sebelumnya,
maka tujuan yang akan diharapkan dari penelitian ini sebagai
berikut :
· Untuk mengetahui pemenang kontrak yang terpilih sebagai
yang terbaik dan lolos kualifikasi.
· Akan dibuat aplikasi yang mendukung proses percepatan
dalam kualifikasi perjanjian kontrak.
Adapun metode pengembangan dalam pembuatan aplikasi
ini sebagai berikut :
· Mempelajari alur kerja Satuan Kerja Direktorat Jenderal
Pengendalian Pemanfaatan Ruang dan Penguasaan Tanah.
· Metode yang digunakan dalam penelitian ini adalah
dengan metode deskriptif yaitu studi literarur baik dari
jurnal, makalah, internet dan sumber lainnya untuk
memahami mengenai cara kerja metode SAW.
· Mengumpulkan data dan informasi yang diperlukan
melalui wawancara pada orang yang bersangkutan di
Satuan Kerja Direktorat Jenderal Pengendalian
Pemanfaatan Ruang dan Penguasaan Tanah.
· Merancang aplikasi untuk mengimplementasikan metode
SAW (Simple Additive Weighting) dengan menggunakan
bahasa pemrograman PHP dan MySQL sebagai database.
· Melakukan pengujian terhadap aplikasi yang telah di
rancang dan mengevaluasi hasil dari pengujian.
II. LAND ASAN TEORI
A. Sistem Penunjang Keputusan (SPK)
Menurut Turban, Sistem Pendukung Keputusan (SPK)
atau Decision Support System (DSS) adalah ² sebuah sistem
yang mampu memberikan kemampuan pemecahan masalah
maupun kemampuan pengkomunikasian untuk masalah dengan
kondisi semi terstruktur dan tidak terstruktur²[1].
Dalam proses pengambilan keputusan, ada empat tahapan
diantaranya [2] :
· Tahap Intelegent adalah tahap proses pengenalan
persoalan melalui penyelidikan lingkungan untuk
mengetahui adaatau tidaknya masalah. Tahap Design
· Tahap design merupakan tahap mencari analisis serta
perumusan alternatif tindakan yang akan diambil. Pada
tahap ini sistem informasi harus mampu membuat
keputusan-keputusan.
· Tahap Choise merupakan tahap memilih suatu tindakan
yang paling tepat dari beberapa alternatif yang telah
dirumuskan.
· Tahap implementation. Pada tahap ini pengambil
keputusan menjalankan rangkaian aksi pemecahan yang
dipilih di tahap choice.

Aplikasi Sistem Penunjang Keputusan ini memiliki
komponen yang merupakan subsistem dari DSS itu sendiri
yang terdiri dari seperti gambar berikut :
Gbr 1. Arsitektur Sistem Pendukung Keputusan [3]
Pembuatan keputusan harus dilakukan berdasarkan skala
prioritas yaitu dengan langkah sebagai berikut :
· Mengidentifikasi masalah
Dengan mengidentifikasi masalah diharapkan nantinya
dapat dilakukan dengan cara menetukan fakta-fakta yang
terkait dari masalah tersebut dan dalam pengumpulan
informasi fakta tersebut jangan dicampuradukkan antara
fakta dengan opini/ pendapat yang belum diketahui
kebenarannya.
· Mencari altanatif pemecah lain
Setelah semua masalah dikaji dan terkumpul serta dapat
dipahami langkah selanjutnya yang dapat ditempuh yaitu
dengam melakukan alternatif yang sudah ada.
Melaksanakan alternative yaitu dengan menyusun
alternatif yang paling diinginkan dan hingga sampai
dengan alternative yang paling tidak diinginkan.
· Memilih alternatif
Dalam pemilihan alternatif, alternatif yang harus dipilih
adalah alternatif yang bersifat logis, dapat dilaksanakan
serta memperhitungkan akibat yang ditimbulkan dari
pelaksanaan alternatif terpilih tersebut.
· Pelaksanaan alternatif terpilih
Setelah semua dilalui dengan urutan yang sewajarnya
langkah selanjutnya yaitu menerapkan pelaksanaan
alternatif yang dipilih, penerapan alternatif yang dipilih
nantinya akan mempengaruhi hasil akhir. Oleh sebab itu
maka pelaksanaan harus sesuai dengan rencana supaya
nanti dalam operasi dapat tercapai tujuan dari diadakannya
pemilihan alternatif tersebut.
· Evaluasi alternative
Fungsi dari diadakannya evaluasi alternatif adalah untuk
mengetahui apakah alternatif yang dipilih telah sesuai
dengan rencana atau belum.
B. Simple Additive Weighting (SAW)
Simple Additive Weighting (SAW) adalah salah satu
metode yang paling popular digunakan pada sistem penunjang
keputusan, pemilihan kriteria untuk kasus yang akan
134
Jurnal TICOM Vol. 6 No.3 Mei 2018
diselesaikan dengan bantuan Sistem Penunjang Keputusan
(SPK) memerlukan penajaman yang berkaitan erat dengan
masalah yang dihadapi. Hal-hal yang menjadi acuan untuk
memilih kriteria hendaknya mempunyai urgensi kuat dengan
masalah yang hendak dicari solusinya. Jumlah kriteria yang
diambil untuk dianalisa tidak ada ketentuan yang pasti, namun
semakin banyak variasi kriteria yang dipilih maka semakin
bagus hasil yang akan didapatkan.
Pada metode SAW, dikenal dengan 2 (dua) kriteria atribut
yang dipersepsikan sebagai kriteria benefit dan cost. Kategori
kriteria benefit atau keuntungan, jika kriteria tersebut
mempunyai nilai semakin besar maka semakin baik, sedangkan
cost atau biaya semakin kecil nilainya maka semakin baik. Hal
dasar yang membedakannya adalah dalam pemilihan kriteria
ketika mengambil keputusan.
Metode SAW sering juga dikenal istilah metode
penjumlahan terbobot dari rating kinerja pada setiap alternatif
pada semua atribut. Metode SAW membutuhkan proses
normalisasi matriks keputusan ke suatu skala yang dapat
diperbandingkan dengan semua rating alternatif yang ada.
Formula untuk melakukan normalisasi tersebut adalah :
Gbr 2. Rumus Proses Normalisasi (SAW)[4]
Keterangan :
rij = Nilai rating kinerja ternormalisasi
xij = Nilai atribut yang dimiliki dari setiap alternatif
maxij = Nilai terbesar
mini = Nilai terkecil
benefit = Jika nilai terbesar adalah terbaik
cost = Jika nilai terkecil adalah terbaik
Dimana rij adalah rating kinerja ternormalisasi dari
alternatif Ai pada atribut Cj ; i = 1,2....,m dan j = 1,2 ...., n.
Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai :
Gbr 3. Rumus Perumusan Nilai Preferensi (SAW)
Keterangan :
Vi = Ranking untuk setiap alternatif
Wj = Nilai bobot dari setiap kriteria
rij = Nilai rating kinerja ternomalisasi
Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai
lebih terpilih.

C. Langkah penyelesaian metode Simple Additive
Weighting (SAW) :
· Menentukan kriteria-kriteria yang akan dijadikan acuan
dalam pengambilan keputusan, yaitu Ci.
· Menentukan rating kecocokan setiap alternatif pada setiap
kriteria.
· Membuat matriks keputusan berdasarkan kriteria(Ci),
kemudian melakukan normalisasi matriks berdasarkan
persamaan yang disesuaikan dengan jenis atribut (atribut
keuntungan ataupun atribut biaya) sehingga diperoleh
matriks ternormalisasi R.
Hasil akhir diperoleh dari proses perankingan yaitu
penjumlahan dari perkalian matriks ternormalisasi R dengan
vektor bobot sehingga diperoleh nilai terbesar yang dipilih
sebagai alternatif terbaik (Ai)sebagai solusi.
Dengan sistem perangkingan seperti ini diharapkan
penilaian akan lebih akurat karena berdasarkan pada nilai
kriteria dan bobot yang telah ditetapkan sebelumnya, sehingga
nantinya akan memperoleh hasil yang lebih akurat.
Masalah yang sering muncul misalnya dalam proses
penilaian perusahaan yang sedang melakukan pendaftaran
pada tender yang diselenggarakan oleh instansi pemerintah
pada setiap tahunnya antara lain ialah subyektifitas si
pengambil keputusan, utamanya jika ada beberapa perusahaan
yang kompeten dalam bidangnya atau memiliki kemampuan
yang tidak jauh berbeda.
Maka untuk mengatasi masalah dalam penilaian
perusahaan terbaik serta memberikan gambaran informasi yang
tepat untuk si pengambil kebijakan dalam melakukan
pengambilan keputusan, maka perlu diadakannya suatu sistem
pendukung keputusan.
Dengan adanya SPK (Sistem Pendukung Keputusan) dan
Metode SAW (Simple Additive Weighting) diharapkan mampu
memberi sebuah keputusan yang mempunyai hasil yang
efisien.
Dengan penerapan sistem pendukung keputusan ini,
diharapkan akan sedikit mengurangi subyektifitas dalam
pengambilan keputusan.
III. ANALISIS M ASALAH DAN R ANC AN GAN PRO GR AM
A. Definisi Masalah
Dengan semakin berkembangnya dunia industri di bidang
jasa saat ini, maka semakin besar juga jumlah perusahaan yang
berkecimpung dalam industri tersebut. Hal ini menyebabkan
semakin ketatnya persaingan antara perusahaan-perusahaan
penyedia jasa. Persaingan yang ada menyebabkan perusahaan
yang membutuhan jasa menjadi kesulitan untuk menentukan
keputusan secara akurat untuk menentukan pemenang proyek
yang diadakan dengan sistem tender.
Kementerian Agraria dan Tata Ruang / BPN adalah salah
satu instansi pemerintahan yang setiap tahunnya cukup sering
mengadakan tender untuk proyek-proyek yang akan berjalan.
Dengan banyaknya persaingan pihak ketiga yang mendaftar
dalam tender tahunan, maka dibutuhkan waktu yang cukup
135
Jurnal TICOM Vol. 6 No.3 Mei 2018
lama untuk menentukan pemenang tender apabila pengambilan
keputusan pemenang dilakukan secara manual.
B. Penanganan Masalah
Dengan semakin banyaknya persaingan yang terjadi antara
perusahan penyedia jasa, maka diperlukan suatu aplikasi yang
berfungsi untuk memberikan informasi yang akurat dalam
menentukan pemenang suatu proyek yang ditentukan dalam
proses tender. Melihat dari permasalahan ini, maka penulis
mencoba membuat suatu aplikasi yang dapat digunakan untuk
menentukan secara lebih akurat pemenang tender berdasarkan
kriteria-kriteria yang telah ditentukan sesuai dengan kebutuhan
proyek. Aplikasi tersebut akan menerapkan metode SAW
(Simple Additive Weighting).
C. Penerapan Algoritma Sistem Penunjang Keputusan
dengan metode SAW
Metode Simple Additive Weighting (SAW) sering dikenal
dengan istilah metode penjumlahan terbobot. Konsep dasar
metode Simple Additive Weighting (SAW) adalah mencari
penjumlahan terbobot dari rating kinerja dari masing-masing
alternatif pada semua atribut. Simple Additive Weighting
(SAW) membutuhkan proses normalisasi matriks keputusan
(X) ke suatu skala yang dapat diperbandingkan dengan semua
rating alternatif yang ada.
· Pengumpulan Kriteria
Beberapa kriteria-kriteria yang dibutuhkan dalam
penentuan penilaian bagi pihak ketiga adalah Profil
Perusahaan (C1), Izin Usaha (C2), Tenaga Ahli
Perusahaan (C3), Pengalaman Perusahaan (C4), Tidak
Masuk Daftar Hitam (C5), Penawaran Harga (C6),
Peralatan Pendukung Perusahaan (C7), dan Pernyataan
Tidak Pailit (C8). Dari beberapa kriteria yang disebutkan,
akan digolongkan ke dalam kriteria benefit. Benefit adalah
nilai maksimum dari suatu kriteria. Berikut adalah tabel
kriteria yang digunakan untuk penentuan pihak ketiga
terbaik.
T ABEL I.
T ABEL KR ITER IA PEN IL A IA N
Kriteria
Keterangan
Penilaian
C1 Profil Perusahaan
C2 Izin Usaha
C3 Tenaga Ahli Perusahaan
C4 Pengalaman Perusahaan
C5 Tidak Masuk Daftar Hitam
C6 Penawaran Harga
Peralatan Pendukung
C7
Perusahaan
C8 Pernyataan Tidak Pailit
Selanjutnya, ditentukan bobot pada masing-masing kriteria
untuk digunakan dalam perhitungan matriks bobot
alternatif terhadap kriteria dalam penentuan perusahaan
 Jurnal TICOM Vol. 6 No.3 Mei 2018

terbaik. Dari hasil analisa, ditentukan sebuah rumus untuk Keterangan :

menghitung penilaian pihak ketiga sebagai berikut : A1 = PT. Soilex
A2 = PT. Tiga Cakra
∑ = jumlah kriteria x bobot kriteria A3 = PT. Daya Cipta Kemasindo
total sub kategori A4 = PT. Brantas Abipraya
A5 = PT. Bangun Karta
T ABEL II . A6 = PT. Visitama Daya Solusi
T ABEL B OBO T KR ITER IA
A7 = PT. Asana Citra Yasa Perusahaan
Kriteria Bobot A8 = PT. Krinotek
C1 0.2
C2 0.1 C1 = Profil Perusahaan
C3 0.2 C2 = Izin Usaha
C4 0.1 C3 = Tenaga Ahli Perusahaan
C5 0.05 C4 = Pengalaman Perusahaan
C6 0.2 C5 = Tidak Masuk Daftar Hitam
C7 0.05 C6 = Penawaran Harga
C8 0.1 C7 = Peralatan Pendukung
Total 1 C8 = Pernyataan Tidak Pailit

· Pengumpulan Alternatif · Matriks Keputusan

Beberapa alternatif yang dibutuhkan dalam perhitungan Berdasarkan Tabel 4 dapat dibuatlah tabel matriks
matriks bobot terhadap kriteria yang ada pada Tabel 3.3 keputusan yang berfungsi untuk membuat matrik perkalian
adalah sebagai berikut PT. Soilex (A1), PT. Tiga Cakra dan menormalisasikan data yang dipilih pada pembobotan
(A2), PT. Daya Cipta Kemasindo (A3), PT. Brantas kriteria.
Abipraya (A4), PT. Bangun Karta (A5), PT. Visitama Daya
Solusi (A6), PT. Asana Citra Yasa (A7), dan PT. Krinotek
(A8). Dari beberapa alternatif yang disebutkan tersebut
tidak memiliki bobot yang beragam sebagaimana halnya
dengan kriteria. Karena, jika bobot diberikan pada alternatif
yang beragam, dikhawatirkan ada keberpihakan pada salah
satu altenatif.
Pada tahap berikutnya, akan dilakukan penghitungan
normalisasi nilai berdasarkan kriteria yang ada. Apabila
· Pembobotan Kriteria Penentuan Perusahaan Terbaik kriteria benefit maka akan dilakukan perhitungan dengan
Berdasarkan banyaknya pihak ketiga yang mendaftar pada rumus :
proyek yang diselenggarakan oleh Satuan Kerja Direkrtorat
Jenderal Pengendalian Pemanfaatan Ruang dan Penguasaan
Tanah, maka diambil sebagai contoh delapan perusahaan =
max
untuk penerapan Sistem Penunjang Keputusan (SPK)
dengan menggunakan metode Simple Additive Weighting Gbr 3. Rumus Normalisasi Kriteria Benefit (Frieyadi, 2016)
(SAW) dalam penentuan pihak ketiga terbaik. Berikut tabel
pembobotan yang berguna untuk menampung data Keterangan :
pembobotan kriteria yang sudah dipilih. Rij = Nilai rating kinerja ternormalisasi
xij = Nilai atribut yang dimiliki dari setiap
T ABEL III . alternatif
T ABEL M A TR I KS B OBO T A LTER NA T IF T ERHAD AP KR ITER IA
Kriteria
maxxij = Nilai terbesar
Alternatif
C1 C2 C3 C4 C5 C6 C7 C8
A1 0.8 0.6 0.8 0.7 0.5 0.9 0.8 0.4 Dari hasil perhitungan normalisasi maka didapatkan bobot
A2 0.7 0.8 0.5 0.7 0.6 1 0.4 0.6 dan dapat dibuatlah matriks untuk normalisasi yang
A3 0.9 0.7 0.7 0.6 0.8 0.5 0.6 0.5 berfungsi untuk melakukan proses perangkingan.
A4 0.8 0.8 0.8 0.7 0.5 0.8 1 0.8
A5 0.4 0.5 0.7 0.8 1 0.7 0.8 0.6
A6 0.8 0.6 0.5 0.9 0.4 0.8 0.9 0.9 V1 = 5.91 (4 = PT. Soilex)
A7 0.5 1 0.7 0.7 0.5 0.4 0.6 0.9 V2 = 5.65 (8 = PT. Tiga Cakra)
A8 0.9 0.6 0.8 0.4 0.6 0.9 0.7 0.8 V3 = 5.7 (7 = PT. Daya Cipta Kemasindo

136
 Jurnal TICOM Vol. 6 No.3 Mei 2018

V4 = 6.66 (1 = PT. Brantas Abipraya)

V5 = 5.87 (5 = PT. Bangun Karta
V6 = 6.21 (2 = PT. Visitama Daya Solusi)
V7 = 5.71 (6 = PT. Asana Citra Yasa
V8 = 6.13 (3 = PT. Krinotek)

Maka alternatif yang memiliki nilai tertinggi dan bisa

dipilih adalah alternatif V4 dengan nilai 6.66 dan sebagai
cadangan alternatif V6 dengan nilai 6.21.

· Flowchart dan Algoritma Aplikasi

Flowchart Simple Additive Weighting (SAW)
Berikut ini adalah flowchart Simple Additive Weighting,
Flowchart ini merupakan alur dari proses untuk menampilkan
form analis. Proses form analis ini untuk mengetahui hasil
pemenang tender barang atau jasa. Berikut ini flowchart untuk
menampilkan alur proses form analis.
Gbr 6. Screenshot Tampilan Menu Utama

A. Data Uji
Data uji yang digunakan dalam uji coba yaitu Profil
Perusahaan, Izin Usaha, Tenaga Ahli Perusahaan, Pengalaman
Perusahaan, Tidak masuk dalam daftar hitam perusahaan.
Berikut ini merupakan nama perusahaan dan kriteria yang
dijadikan sebagai data uji :

Gbr 5. Gambar Flowchart Simple Additive Weighting

IV. IMPLEMENTASI D AN ANALISA PRO GR AM

Tampilan dibawah ini adalah dimana aplikasi memiliki

menu utama. Dalam tampilan ini, ada beberapa menu seperti
Home, Kriteria yaitu menu yang digunakan untuk
memanajemen data kriteria yang ada, Alternatif yaitu menu
yang digunakan untuk memanajemen data alternatif yang ada,
Rangking yaitu menu yang digunakan untuk memanajemen data
Rangking yang ada, dan Laporan yang dapat digunakan untuk Hasil pembobotan didapatkan dari nilai bobot setiap bobot
menampilan data perhitungan nilai yang sudah diproses nilai dari masing-masing kriteria yang sudah ditentukan dapat
dengan metode Simple Additive Weighting seperti pada dilihat pada tabel di bawah ini
Gambar 5.

137

Proses perangkingan yaitu dengan menjumlahkan
seluruh perkalian matriks ternormalisasi R dengan vektor
bobot, maka didapat nilai terbesar yang dipilih sebagai
alternatif terbaik. Hasil dari perangkingan maka pihak ketiga
yang mendapatkan nilai terbaik yaitu PT. Brantas Abib Praya
dengan nilai 6.66 .
B. Evaluasi Program
Evaluasi program merupakan salah satu hal yang perlu
dilakukan dalam setiap pengembangan aplikasi untuk
menganalisa dan mengetahui hasil yang telah dicapai oleh
aplikasi yang telah dibuat dalam penelitian ini. Demikianjuga
pada aplikasi yang dikembangkan ini, dilakukan evaluasi
program untuk menganalisa hasil yang dicapai pada aplikasi
138
Jurnal TICOM Vol. 6 No.3 Mei 2018
ini. Dalam aplikasi ini ditemukan beberapa kelebihan dan
kekurangan antara lain :
Kelebihan Program
Ø Mempercepat Satuan Kerja Direktorat Jenderal
Pengendalian Pemanfaatan Ruang dan Penguasaan
Tanah dalam menentukan pihak ketiga terbaik.
Ø Meningkatkan akurasi seleksi pihak ketiga terbaik yang
relatif lebih objektif.
Ø Mencetak data hasil perangkingan pihak ketiga terbaik.
Kekurangan Program
Ø Aplikasi ini dibangun berbasis web dengan server local,
sehingga belum dapat diakses internet.
Ø Kriteria yang digunakan hanya menggunakan kriteria
statis dari Satuan Kerja Direktorat Jenderal Pengendalian
Pemanfaatan Ruang dan Penguasaan Tanah.
V. KESIMPULAN D AN SARAN
Berdasarkan analisa yang telah dilakukan, terhadap
aplikasi penilaian tender pihak ketiga yang telah dibuat, maka
penulis melakukan beberapa kesimpulan dan saran yang
mungkin diperlukan untuk membuat sistem yang lebih baik lagi
dan pengembangan aplikasi ke tahap berikutnya.
A. Kesimpulan
Setelah dilakukan penelitian mengenai penerapan metode
Simple Additive Weighting (SAW) untuk sistem penunjang
keputusan penentuan pihak ketiga terbaik di Satuan Kerja
Direktorat Jenderal Pengendalian Pemanfaatan Ruang dan
Penguasaan Tanah dengan lebih terperinci dibandingkan
dengan perhitungan manual, dengan menerapkan lima kriteria
yang ada seperti profil perusahaan, izin usaha, data tenaga ahli,
pengalaman perusahaan, tidak masuk daftar hitam perusahaan,
proses penentuan pihak ketiga terbaik bisa dilakukan dengan
lebih akurat dan tepat dibandingkan dengan perhitungan
manual, maka dapat diambil beberapa kesimpulan sebagai
berikut :
· Pada penelitian ini berhasil menerapkan metode Simple
Addititive Weighting (SAW) pada penentuan pihak ketiga
terbaik di Satuan Kerja Direktorat Jenderal Pengendalian
Pemanfaatan Ruang dan Penguasaan Tanah.
· Aplikasi ini dibuat sebagai alat bantu bagi Satuan Kerja
Direktorat Jenderal Pengendalian Pemanfaatan Ruang dan
Penguasaan Tanah untuk menentukan pihak ketiga terbaik
tanpa terbatas ruang dan waktu.
B. Saran
Analisa dan Aplikasi yang dihasilkan ini masih jauh dari
sempurna, karena masih memerlukan perbaikan untuk
meningkatkan efektifitas, efisiensi dan penambahan fitur untuk
mendukung pekerjaan, Beberapa saran yang perlu diajukan
untuk perbaikan adalah sebagai berikut :
· Spesifikasi hardware dan software untuk selanjutnya harus
terpenuhi serta ditingkatkan agar aplikasi dapat bekerja
dengan benar dan dengan proses waktu yang lebih cepat.

· Sistem Penunjang Keputusan (SPK) ini masih dapat
dikembangkan, tidak hanya pada penentuan pihak ketiga
terbaik saja, namun dapat menentukan bidang lain yang
membutuhkan adanya sistem penunjang keputusan.
DAFTAR PUSTAK A
[1] Primahudi, Ardhi B., Suciono, Fajar A., dan Widodo,
Anang A. (2016). Sistem Pendukung Keputusan
Untuk Pemilihan Karyawan Dengan Metode Simple
Additive Weighting di PT . Herba Penawar Alwahida
Indonesia. Jurnal Informatika Merdeka Pasuruan Vol.
2, hal. 57-80.
[2] Fitriyani. (2016). Sistem Pendukung Keputusan
Pemilihan Mahasiswa Berprestasi di STMIK Atma
Luhur Pangkalpinang dengan Menggunakan Metode
139
Jurnal TICOM Vol. 6 No.3 Mei 2018
Analytical Hierarchy Process ( AHP ). TEKNOSI, hal.
109-118
[3] Adhar, Deny. (2014). Sistem Pendukung Keputusan
Pengangkatan Jabatan Karyawan pada PT . Ayn
dengan Metode Profile Matching. Jatisi, Vol. 1, hal.
16-29.
[4] Frieyadie. (2016). Penerapan Metode Simple Additive
Weight (SAW) Dalam Sistem Pendukung Keputusan
Promosi Kenaikan Jabatan. Jurnal Pilar Nusa Mandiri
Vol. XII, hal. 37-45.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Implementasi Algoritma Djikstra untuk menentukan

Jarak Terdekat Pencarian outlet Minimal Store
berbasis Android pada Area Jabodetabek
Rizky Tahara Shita#1 , Fatmasari Tarigan*2
#
Universitas Budi Luhur, Fakultas Teknologi Informasi,
Jl. Ciledug Raya. Petukangan Utara. Jakarta Selatan, Jakarta, 12260
Telp: (021) 5853753, HP: +6285716483190

*
STMIK Antar Bangsa, Teknologi Informasi,
Jl. Raden Fatah No. 70A. Pondok Aren. Ciledug. 10412
Telp: (021) 31908575, HP: +628567573017

1rizky.tahara@gmail.com

2fsarie@gmail.com

Abstrak — Keberadaan dan informasi sebuah lokasi
menjadi sangat penting, terutama dalam dunia industri;
karena dapat menjadi salah satu pemasukan bagi bisnis
yang dijalani. Seiring dengan bertumbuhnya bisnis
tersebut, maka penambahan lokasi usaha sudah biasa
dilakukan oleh tiap jenis bisnis pada dunia industri.
Dengan adanya penambahan inilah, masalah baru mulai
timbul; salah satunya adalah bagaimana caranya agar
sebuah lokasi dari usaha yang dijalani dapat diketahui oleh
masyarakat, sehingga masyarakat dapat mengetahui
informasi lokasi usaha dan dapat mencapai lokasi tersebut
dengan mudah. Adalah PT. Gistex Retailindo (Minimal
Store) yang berdiri sejak tahun 2002 dengan cabang dan
outlet yang tersebar pada area Jabodetabek yang memiliki
permasalahan untuk menyebarkan informasi outlet dan
penyampaian rute menuju outlet yang dimilikinya.
Hadirnya teknologi informasi dapat dimanfaatkan untuk
menyebarkan informasi lokasi dan pemberian arah menuju
lokasi bisnis yang dimiliki. Salah satu teknologi informasi
yang saat ini sangat dengan dengan masyarakat adalah
teknologi berbasis mobile; dimana saat ini hampir setiap
masyarakat memiliki smartphone yang dibawa dan selalu
dipantau oleh pemiliknya. Pemanfaatan smartphone ini
dapat dipadukan untuk menyajikan informasi dan
penyampaian rute menuju lokasi pada masyarakat dengan
cara mengembangkan sebuah aplikasi yang dapat
digunakan untuk memberikan informasi dan rute menuju
lokasi usaha; dimana pada penyampaian rute menuju
lokasi usaha dapat memanfaatkan algoritma pencarian
jarak terpendek. Salah satu algoritma yang dapat
dimanfaatkan adalah algoritma djikstra yang dipadukan
dengan hadirnya smartphone agar dapat memudahkan
masyarakat dalam mendapatkan rute lokasi yang
bertujuan agar untuk meningkatkan nilai jual dari usaha
yang dijalani.
Kata kunci: djikstra, lbs, graf, android
Abstrak — The existence and information of a location
becomes very important, especially in the industrial world;
because it can be one income for the business undertaken.
Along with the growing business, the addition of business
location is commonly done by every type of business in the
industrial world. With this addition, new problems begin to
arise; one of which is how to make a location of the business
undertaken can be known by the community, so that the
public can know the location of business information and can
reach the location easily. Is PT. Gistex Retailindo (Minimal
Store) established since 2002 with branches and outlets
spread over Jabodetabek area which has problems to spread
outlet information and route delivery to its outlets. The
presence of information technology can be utilized to
disseminate location information and giving direction to the
location of business owned. One of today's information
technology is very much with the community is mobile-based
technology; where today almost every community has a
smartphone that is brought and always monitored by the
owner. Utilization of this smartphone can be combined to
present information and delivery routes to locations in the
community by developing an application that can be used to

140

provide information and routes to business locations; where
the delivery of routes to the business location can take
advantage of the shortest distance search algorithm. One of
the algorithms that can be utilized is djikstra algorithm
combined with the presence of smartphones in order to
facilitate the public in obtaining route locations that aims to
increase the sale value of the business undertaken.
Keywords: djikstra, lbs, graph, android
I. PEND AHULU AN
A. Latar Belakang
Suatu usaha baik kecil, menengah maupun besar yang
bergerak dalam bidang penjualan produk pakaian pasti
memiliki target yang ingin dicapai. Namun pada kenyataannya
target tidak dapat dicapai dengan mudah seiring banyak
kendala yang dihadapai perusahaan baik yang bersifat langsung
maupun tidak langsung. Mereka juga dituntut untuk
menerapkan strategi-strategi pemasaran yang tepat agar produk
yang ditawarkan dapat diterima dan laku dipasaran.
Minimal Store merupakan usaha yang bergerak pada bidang
penjualan produk pakaian yang tersebar di Jabodetabek. Produk
pakaian yang dijual pada outlet ini mencakup semua lapisan
usia; mulai dari pakaian anak-anak, pakaian wanita dan pakaian
pria. Minimal Store telah berkembang menjadi salah satu
pemimpin industri fashion di Indonesia dengan merek Minimal,
Minimal Man dan Tres Jolie. Setiap merek memiliki identitas
tersendiri dan semuanya dipersatukan oleh kepedulian untuk
menonjolkan desain tren dengan kualitas premium dan harga
terbaik.
Tingginya kebutuhan masyarakat terhadap produk
pakaian tidak diimbangi dengan informasi mengenai
keberadaan outlet tersebut. Seringkali masyarakat merasa
kesulitan untuk menemukan lokasi outlet Minimal Store
terdekat dan masyarakat juga kesulitan dalam mencapai outlet
Minimal Store karena tidak mengetahui alamat lengkap outlet.
Seiring dengan perkembangan teknologi informasi, kini hadir
Smartphone Android yang semakin marak digunakan oleh tiap
kalangan masyarakat; dimana Android merupakan suatu
software stack yang didalamnya terdapat sistem operasi,
middleware dan key application. Aplikasi pada platform ini
dikembangkan dalam bahasa pemrograman Java, yang mana
memiliki fitur Global Positioning System (GPS) untuk dapat
digunakan dalam memberikan informasi geolokasi terkini pada
posisi penggunanya. Platform Android juga dapat
diintegrasikan dengan Google Maps API yang menawarkan
kemudahan dalam membangun aplikasi yang memerlukan data
geolokasi dan kemampuan dalam menyediakan peta yang
cukup lengkap.
Dengan memadukan teknologi informasi dan
permasalahan yang ada pada Minimal Store; maka untuk
membantu masyarakat dalam menemukan dan mencapai outlet
Minimal Store, diperlukan sebuah cara untuk menentukan
lokasi dan memberikan informasi rute terpendek untuk
mencapai outlet Minimal Store. Adalah sebuah algoritma yang
141
Jurnal TICOM Vol. 6 No.3 Mei 2018
disebut dengan nama Djikstra; merupakan algoritma yang dapat
menentukan jarak terpendek dari sebuah lokasi yang
memanfaatkan graf untuk dapat menyelesaikan rute / lintasan
terpendek yang tidak memiliki cost sisi negative; sehingga
dapat menghasilkan sebuah pohon dengan lintasan terpendek
dan dengan algoritma serta perpaduan teknologi informasi pada
Smartphone Android yang sudah dilengkapi dengan GPS, maka
diperlukan juga cara yang mudah agar masyarakat dapat
mengakses informasi serta mendapatkan rute terpendek menuju
outlet Minimal Store.
Oleh karena banyaknya masyarakat yang telah
menggunakan Smartphone Android, maka agar informasi
outlet Minimal Strore dan rute terpendek menuju outlet;
diperlukan sebuah aplikasi berbasis Android yang
memanfaatkan algoritma Djikstra agar masyarakat dapat
terbantu dalam memdapatkan informasi maupun rute terpendek
menuju outlet Minimal Store.
B. Masalah
Permasalahan yang terjadi selama penelitian:
· Bagaimana agar masyarakat dapat mengetahui outlet
Minimal Store pada area Jabodetabek?
· Bagaimana caranya agar pengguna dapat mengetahui
rute terpendek untuk mencapai outlet Minimal Store?
C. Tujuan
Tujuan dari penulisan ini adalah sebagai berikut:
· Mengembangkan sebuah aplikasi pencarian rute
terpendek untuk mencapai outlet Minimal Store
berbasis Smartphone Android agar masyarakat dapat
dengan mudah mencari dan mencapak outlet Minimal
Store terdekat.
· Mengembangkan aplikasi penyaji informasi outlet
Minimal Store yang lebih baik bagi masyarakat.
D. Batasan Masalah
Agar penelitian ini tidak keluar dari pembahasan maka
diperlukan ruang lingkup masalah, seperti:
· Rute yang ditampilkan tidak disajikan secara real-time
pada kondisi lalu lintas maupun rintangan yang ada,
sehingga estimasi waktu tempuh juga belum dapat
disajikan.
· Sebelum digunakan oleh masyarakat, rute ditentukan
secara manual terlebih dahulu pada setiap titik dan
dilakukan penghitungan bobot pada setiap rute.
II. LAND ASAN TEORI
A. Konsep Algoritma
Algoritma adalah prosedur komputasi yang mengambil
beberapa nilai atau kumpulan nilai sebagai input kemudian di
proses sebagai output sehingga algoritma merupakan urutan
langkah komputasi yang mengubah input menjadi output.
Definisi algoritma adalah teknik penyusunan langkah- langkah
penyelesaian masalah dalam bentuk kalimat dengan jumlah
kata terbatas, tetapi tersusum secara sistematis. Dalam ilmu
matematika dan computer, pengertian algoritma merupakan

prosedur dari beberapa langkah demi langkah untuk
perhitungan [1].
B. Graf
1) Definisi Graf
Teori graf merupakan pokok bahasan yang memiliki
banyak terapan sampai saat ini. Graf digunakan untuk
mempresentasikan objek-objek diskrit dan hubungan dengan
objek-objek tersebut. Secara matematis graf didefinisikan
sebagai pasangan himpunan (V, E) ditulis dengan notasi G= (V,
E) yang dalam hal ini V adalah himpunan sisi (edge) yang
meghubungkan sepasang simpul [1].
Graf G (V, E) adalah koleksi atau pasangan dua himpunan:
· Himpunan B yang elemennya disebut simpul, atau
titik, atau vertex, atau point, atau node.
· Himpunan E yang merupakan pasangan tak terurut
dari simpul, disebut ruas atau rusuk, atau sisi, atau
edge, atau line. Banyaknya simpul (anggota V) disebut
order Graf G, sedangkan banyaknya ruas (anggota E)
disebut ukuran (size) Graf G.
2) Jenis Graf
Berdasarkan ada tidaknya gelang atau sisi ganda pada
suatu graf, maka graf digolongkan menjadi dua jenis [2]:
· Graf Sederhana; Graf sederhana merupakan graf yang
tidak mengandung gelang maupun sisi-ganda.
· Graf Tidak Sederhana; Graf yang mengandung ruas
ganda atau gelung dinamakan graf tak-sederhana
(unsimple graph atau multigraph).
Sedangkan berdasarkan jumlah simpul pada suatu graf,
maka secara umum graf dapat digolongkan menjadi dua jenis
[2]:
· Graf berhingga (limited graph); Graf berhingga adalah
graf yang jumlah simpulnya n, berhingga.
· Graf yang jumlah simpulnya, n, tidak berhingga
banyaknya disebut graf tak berhingga.
Jika dilihat berdasarkan orientasi arah pada sisi, maka
secara umum graf dibedakan atas 2 jenis [2]:
· Graf tak-berarah (undirected graph) Graf yang sisinya
tidak mempunyai orientasi arah disebut graf tak-
berarah.
· Graf berarah (directed graph) Graf yang setiap sisinya
diberikan orientasi arah disebut graf berarah.
3) Graf berbobot
Graf berbobot adalah graf yang setiap sisinya diberi
sebuah harga. Bobot pada tiap sisi dapat berbeda-beda
bergantung pada masalah yang dimodelkan dengan graf. Bobot
dapat menyatakan jarak antara dua buah node, kapasitas, biaya
perjalanan antara dua buah kota, waktu tempuh pesan
(message) dari sebuah simpul komunikasi ke simpul
komunikasi lain, ongkos produksi, dan sebagainya[2].
4) Jalur Terpendek
Proses perhitungan rute terpendek adalah mencari jarak
terpendek atau biaya terkecil suatu rute dari node awal ke node
142
Jurnal TICOM Vol. 6 No.3 Mei 2018
tujuan dalam sebuah jaringan. Pada proses perhitungan rute
terpendek terdapat dua macam proses yaitu pemberian label
dan proses pemeriksaan node. Metode pemberian label adalah
metode untuk memberikan identifikasi pada setiap node dalam
jaringan.
Pada sebagian besar algoritma perhitungan rute
terpendek, tedapat 3 label informasi yang dikelola untuk setiap
node I pada proses pemberian label yaitu : label jarak d(i),
parent node p(i), dan status node S(i). Algoritma yang dapat
digunakan untuk mencari jalur terpendek telah banyak diteliti.
Beberapa algoritma yang dapat digunakan untuk
menyelesaikan penentuan jalur terpendek adalah dijkstra’s
algorithm, bell bellman-ford’s algorithm, a* search algorithm,
dan Floyd-warshall algorithm [3].
C. Algoritma Djikstra
Algoritma dijkstra merupakan salah satu bentuk
algoritma greedy. Algoritma ini termasuk algoritma pencarian
graf yang digunakan untuk menyelesaikan masalah lintasan
tependek dengan satu sumber pada sebuah graf yang tidak
memiliki cost sisi negative, dan menghasilkan sebuah pohon
lintasan terpendek[3].
Algoritma ini sering digunakan pada routing. Algoritma
ini ditemukan oleh seorang ilmuwan computer berkebangsaan
Belanda yang bernama Edger Dijkstra pada tahun 1959. Berikut
ini adalah pseudo code dari algoritma Dijkstra[3].
Gbr 1. Pseudocode Algoritma Djikstra
D. Google Maps Service
Google Maps Service adalah sebuah jasa peta global
virtual gratis dan online yang disediakan oleh perusahaan
Google. Google Maps yang dapat ditemukan di alamat
http://maps.google.com Google maps menawarkan peta yang
dapat diseret dan gambar satelit untuk seluruh dunia. Google
Maps juga menawarkan pencarian suatu tempat dan rute
perjalanan[4].

1) Google Maps API
Google Maps API adalah sebuah layanan (service)
yang diberikan oleh Google kepada para pengguna untuk
memanfaatkan Google Maps dalam mengembangkan aplikasi.
Google Maps API menyediakan beberapa fitur untuk
memaniulasi peta, dan menambah konten melalui berbagai
jenis services yang dimiliki, serta mengijinkan kepada
pengguna untuk membangun aplikasi enterprise didalam
websitenya[4]
E. Draf Logic
Merupakan aplikasi freeware dan open source berbasis
website untuk menentukan jalur yang menggunakan Google
Maps API untuk mendapatkan jarak tempuh dari rute yang telah
dibuat dan latitude-longitude pada titik rute yang telah
ditentukan. Aplikasi ini dapat diakses pada situs
www.draflogic.com.
F. Location Based Service (LBS)
1) Definisi
LBS (Location Based Service) Merupakan suatu
layanan yang bereaksi aktif terhadap perubahan entitas posisi
sehingga mampu mendeteksi letak objek dan memberikan
layanan sesuai dengan letak objek yang telah diketahui tersebut.
Beberapa layanan LBS yang telah hadir di Indonesia salah
satunya adalah (XL), penentuan posisi untuk mengetahui
STORE terdekat (INDOSAT) dan sebagainya telah
memberikan dampak positif bagi berkembangnya layanan
LBS, namun layanan masih menggunakan SMS dalam
pertukaran informasinya. SMS yang dikembangkan oleh
operator seluler memang memberikan keakuratan, kemudahan
dan kecepatan dalam penyampaikan informasi dan iklan,
seperti SMS iklan, SMS idola maupun SMS broadcast.
Agar LBS bisa berfungsi maka diperlukan teknologi
“Mobile Positionning”. Sebelumnya, LBS hanya
dimungkinkan oleh institusi yang memang benar-benar
membutuhkannya seperti jasa ekspedisi/kurir. Karena biaya
yang mahal saat itu mereka hanya menggunakan GPS receiver
sebagai alatnya. Dengan berkembangnya teknologi GSM, maka
LBS menjadi semakin mudah dan murah, bahkan untuk
individu sekalipun[5].
2) Prinsip LBS
Adalah aplikasi yang bergantung pada lokasi tertentu
dan didefinisikan pula sebagai layanan informasi dengan
memanfaatkan teknologi untuk mengetahui posisi sesuatu.
Layanan berbasis lokasi menggunakan teknologi Positioning
System, teknologi ini memungkinkan para pengguna dapat
memperoleh informasi lokasi sesuai dengan kebutuhannya[5].
G. Latitude dan Longitude
1) Latitude
Latitude adalah garis yang melintang diantara kutuh
utara dan kutub selatan yang menghubungkan antara sisi timur
dan barat bagian bumi. Garis ini memiliki posisi membentangi
bumi, sama halnya seperti garis equator, tetapi dengan kondisi
nilai tertentu. Garis lintang inilah yang dijadikan ukuran dalam
143
Jurnal TICOM Vol. 6 No.3 Mei 2018
mengukur sisi utara-selatan koordinat suatu titik dibelahan
bumi.
Latitude dibedakan menjadi 2 wilayah, yaitu utara atau
yang biasa kita sebut lintang utara dan selatan atau yang biasa
kita sebut lintang selatan, dimana nilai koordinat dibagian utara
selalu positif dan nilai koordinat dibagian selatan adalah
negatif[4].
2) Longitude
Sebaliknya, longitude adalah garis membujur yang
menghubungkan antara sisi timur dan sisi barat bumi (kutub).
Garis bujur ini digunakan untuk mengukur sisi barat timur
koodinat suatu titik dibelahan bumi.
Sama seperti equator pada latitude yang berada ditengah
dan memiliki nilai 0 (nol) derajat, pada longitude, garis tengah
yang bernilai 0 (nol) derajat disebut garis prime meridian.
Sedangkan garis yang berada paling kiri memiliki nilai -90
derajat, dan yang paling kanan memiliki nilai 90 derajat.
Longitude juga dibedakan menjadi 2 wilayah, yaitu
bujur timur dan bujur barat, dimana koordinat yang berada di
timur selalu bernilai negatif, dan sebaliknya yang berada di
barat selalu positif. Nilai satuan ukuran derajat menjadi
kilometer pada longitude juga sama seperti pada latitude[4].
H. GPS dan A-GPS
GPS atau Global Positioning System, merupakan
sebuah alat atau system yang dapat digunakan untuk
menginformasikan penggunaanya dimana lokasinya berada
(secara global) dipermukaan bumi yang berbasiskan satelit.
Data dikirim dari satelit berupa sinyal radio dengan data digital.
Dimanapun pengguna tersebut berada, maka GPS bisa
membantu menunjukan arah. Layanan GPS ini tersedia gratis.
Awalnya GPS hanya digunakan untuk kepentingan militer, tapi
pada tahun 1980-an dapat digunakan untuk kepentingan sipil.
GPS dapat digunakan dimanapun juga dalam 24 jam. Posisi
unit GPS akan ditentukan berdasarkan titik-titik koordinat
latitude dan longitude[6].
Sedangkan A-GPS sebenernya sama dengan GPS tapi
pada sistem ini ada bantuan dari base station dalam penentuan
posisi yaitu jaringan internet pada operator yang digunakan
untuk memperbaiki koordinat/posisi sehingga receiver GPS
dapat memproses lebih cepat, akurat, dan efisien. Karena A-
GPS menggunakan jaringan internet maka pengguna harus
melakukan pertukaran data. Teknologi A-GPS inilah yang saat
ini banyak digunakan dalam smartphone.
I. Geolocation
Geolocation adalah sebuah cara untuk mengetahui suatu
lokasi di dunia. Ada beberapa metode untuk menemukan
lokasi, yaitu dengan IP address, sambungan wireless atau BTS,
dan dedicated GPS atau embedded GPS pada telepon seluler.
Geolocation menggunakan data koordinat latitude dan
longitude yang dimiliki oleh komputer atau telepon seluler[3].
 Jurnal TICOM Vol. 6 No.3 Mei 2018

III. ANALISIS M ASALAH DAN PER ANC AN GAN
A. Analisis Masalah
Minimal Store bergerak dalam bidang fashion. Minimal
store memiliki beberapa cabang di area JABODETABEK.
Namun, saat ini apabila user yang ingin membeli produk di
minimal store tidak mengetahui adanya informasi mengenai
lokasi minimal store yang tersebar disekitar lokasi user.
User tersebut hanya akan menuju lokasi minimal store
yang mereka ketahui saja, sebenernya mash ada cabang lain
yang jaraknya lebih dekat dari lokasi user itu berada.
· Alur Proses Aplikasi
Berikut ini merupakan alur proses aplikasi berjalan.
Pada alur proses ini setelah user membuka aplikasi
dan telah memilih toko yang akan dituju, user
diharuskan mengaktifkan GPS untuk mendapatkan
lokasi user tersebut. Setelah mendapatkan lokasi user,
aplikasi akan menentukan rute terdekat dan aplikasi
akan menampilkan rute terdekat beserta informasi
tersebut.

B. Pemecahan Masalah
Berdasarkan masalah yang telah diuraikan diatas,
diperlukan adanya sebuah aplikasi yang dapat menentukan
jarak salah satu store terdekat. Sehingga dapat mempermudah
user dalam menemukan lokasi Minimal Store yang terdekat
dari lokasi user itu berada.
Aplikasi pencarian rute terdekat dengan menggunakan
Google maps API merupakan solusi yang dapat Gbr 3. Proses Aplikasi
mengimplementasikan terkait permasalahn tersebut. User
hanya cukup membuka aplikasi ini untuk menentukan lokasi E. Tampilan Aplikasi
minimal store terdekat dari lokasi keberadaan user dengan 1) Tampilan Login
mengaktifkan GPS dari perangkat user tersebut. Tampilan ini ditunjukkan bagi pengguna untuk dapat
melakukan proses authentikasi dengan mengisi username dan
password yang sesuai.
C. Entity Relationship Diagram (ERD)
Untuk mendapatkan simpanan digital yang baik, maka
dibuatkan sebuah database dengan Entity Relationship
Diagram sebagai berikut:

Gbr 2. Entity Relationship Diagram

D. Rancangan Program
Rancangan program ini berkaitan dengan bagaimana
aplikasi akan berjalan serta proses dalam pembuatan aplikasi
ini. Berikut merupakan tahap dalam rancangan program.
· Alur pembuatan rute
◦ Menggambar rute melalui Google Maps. Gbr 4.Tampilan Login
◦ Menentukan rute melalui aplikasi draflogic. 2) Tampilan Register
◦ Mendapatkan longitude dan latitude serta bobot Tampilan ini berguna agar pengguna dapat membuat akun
dari setiap rute. secara mandiri.
◦ Menyimpan longitude latitude dan bobot kedalam
database.

144

Gbr 5. Tampilan Register
3) Tampilan Peta
Merupakan tampilan inti dari aplikasi yang mana
pengguna akan diberikan informasi lokasi outlet terdekat
beserta rute menuju lokasi outlet tersebut.
Gbr 6. Tampilan rute menuju lokasi outlet
145
Jurnal TICOM Vol. 6 No.3 Mei 2018
4) Flowchart Tampilan Peta
Agar lebih detil dengan proses pada tampilan peta tersebut,
berikut ini adalah flowchartnya:
Gbr 7. Flowchat Tampilan Peta
5) Flowchart Algoritma Djikstra
Pada tampilan peta sebelumnya, agar dapat menampilkan
rute menuju lokasi diperlukan algoritma djikstra yang mana
tampak pada flowchart berikut ini:
Gbr 8. Flowchart Algoritma Djikstra
IV. HASIL IMPLEMENTASI D AN ANALISA PRO GR AM
A. Implementasi
Implementasi pada aplikasi didasarkan dari analisa yang
telah dilakukan agar dapat mengukur sejauh mana aplikasi ini
dapat memberikan solusi.
Implentasi serta dilakukannya uji coba, dapat melihat kelebihan
dan kekurangan aplikasi; sehingga kedepannya dapat dilakukan
pengembangan yang lebih baik lagi.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

B. Uji Kasus V. PENUTUP

Agar aplikasi dapat berjalan dengan baik, maka dibutuhkan
perangkat keras yang memadai dengan spesifikasi:
· Processor: Intel Core i5
· Memory: 8 GB
· Harddisk: 500 GB
· Handphone: Samsung S8 sebagai emulator external
Software yang digunakan dalam uji coba pada hardware di atas
memiliki spesifikasi, yaitu :
· Operating System: MS. Windows 10
· IDE: Android Studio 3.0.1
· WEB Server: Apache
· Bahasa Pemrograman: PHP dan Java Android
· Database Server: MySQL
C. Hasil Pengujian
Setelah dipenuhinya kebutuhan hardware maupun
software, maka dapat dipantau untuk proses pengujian aplikasi
terhadap algoritma djikstra yang diterapkan.
Pengujian ini dilakukan untuk mendapatkan proses
algoritma dalam mencari dan memilih rute terpendek.
A. Kesimpulan
Adapun kesimpulan yang dapat ditarik berdasarkan dari
penelitian yang telah dilakukan analisa dan aplikasi yang telah
dikembangkan adalah:
· Fitur Location Based Service mempermudah pengguna
dalam memberikan lokasi, baik lokasi bagi pengguna
maupun lokasi outlet yang dipilih.
· Aplikasi bermanfaat dalam membantu pengguna untuk
menentukan rute terpendek dari lokasi pengguna
menuju lokasi outlet terdekat, sehingga membantunya
dalam menemukan rute ke lokasi outlet.
B. Saran
Adapun saran yang dapat dijadikan pertimbangan dalam
pengembangan selanjutnya antara lain adalah:
· Pengembangan dengan memanfaatkan web services
dalam mempercepat proses pencarian rute.
· Pengembangan dalam jangkauan area pencarian dan
penentuan rute.
· Pengembangan dalam memberikan informasi rute
alternatif serta memberikan informasi keadaan jalan
yang sesuai dengan kondisi real dilapangan pada saat
pengguna mencari informasi lokasi dan rute menuju
outlet.

DAFTAR PUSTAK A

[1] Romzi, M., 2012. Logika dan Algoritma. , 1736, p.38.

[2] Munir, Rinaldi, 2010, Matematika Diskrit, Informatika,
Bandung.
[3] Dewi, L.J.E. 2010. Pencarian Rute Terpendek Tempat
Gbr 9. Contoh Pengujian Rute Terpilih
Wisata di Bali dengan Menggunakan Algoritma
Dijkstra.Seminar Nasional Aplikasi Teknologi Informasi
Proses Algoritma Djikstra
2010 (ISSN: 1907-5022)
Algoritma djikstra bertujuan untuk menemukan lintasan
[4] Soepomo, 2013, Pemanfaatan Google Maps Api untuk
terpendek berdasarkan bobot terkecil dari suatu titik ke titik
Pembangunan Sistem Informasi Manajemen Bantuan
lainnya dengan melakukan kalkulasi terhadap semua
Logistik Pasca Bencana Alam Berbasis Mobile Web (
kemungkinan bobot terkecil dari setiap titik yang dilalui.
Studi Kasus : Badan Penanggulangan Bencana Daerah
Kota Yogyakarta), Jurnal Sarjana Teknik Informatika,
Universitas Ahmad Dahlan, Yogyakarta
[5] Anwar, Badrul, et.al, 2014, Implementasi Location Based
Service Berbasis Android Untuk Mengetahuiposisi User,
Jurnal Ilmiah Saintikom, ISSN 1978-6603, Medan
[6] Gusmao, A et al., 2013. Pencarian SPBU Terdekat dan
Penentuan Jarak Terpendek Menggunakan Algoritma
Dijkstra. , (1), pp. 89-93.

Gbr 10. Contoh hubungan antar titik pada Djikstra

146
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Analisa dan Desain Sistem Informasi Rawat Jalan

Pada UPT Puskesmas Pondok Benda Berbasis
Object Oriented
Muharoron#1 , Dian Anubhakti#2 , Subandi*3
#
Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur
*
Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
1 muharoron.satria@gmail.com

2
dian.anubhakti@budiluhur.ac.id
3
subandi.spd@budiluhur.ac.id

Abstrak — Dalam era globalisasi yang semakin pesat saat
ini terutama kebutuhan informasi dan teknologi yang
benar, tepat dan akurat yang selalu mengikuti
perkembangan zaman sangatlah di butuhkan oleh suatu
organisasi atau lembaga. Dalam perkembangan Teknologi
dan Informasi saat ini diperlukan kecepatan dan
keakuratan dalam mendapatkan informasi, sehingga
mempermudah dalam pengambilan keputusan. Informasi
yang dibutuhkan haruslah berguna bagi yang memerlukan
sehingga kapanpun informasi tersebut dibutuhkan dapat
dengan cepat diberikan. Puskesmas yaitu suatu organisasi
yang bergerak dalam bidang pelayanan kesehatan
berupaya meningkatkan kualitas pelayanan serta
informasi yang dibutuhkan pasiennya agar dapat diterima
dengan cepat dan tepat sehingga mutu standar
pelayanan meningkat. Masalah yang dihadapi oleh
Puskesmas Pondok Benda yaitu sulitnya pencarian data
pasien, kerangkapan data dan hilangnya data pasien,
sehingga pelayanan kesehatan terhambat. Sistem Informasi
rawat jalan merupakan salah satu solusi untuk mengatasi
permasalahan yang dihadapi oleh Puskesmas Pondok
Benda, sehingga pelayanan terhadap pasien dan kebutuhan
akan informasi yang cepat, tepat dan akurat dapat
tercapai.
Kata Kunci— Era globalisasi, sistem inforamasi, data
pasien.
Abstract — The era of globalization information and
technology needs are correct, precise and accurate that
always follow the development of time is needed by the
organization or institution. In the current development of
Technology and Information required speed and accuracy in
obtaining information, making it easier in decision making.
The information needed should be useful to the needy so that
whenever such information is needed it can be quickly
provided. Puskesmas is an organization engaged in the field
of health services seeks to improve the quality of service and
information needed by patients to be received quickly and
appropriately to improve the standard of service quality.
Problems faced by Puskesmas Pondok Benda is the difficulty
of finding patient data, duplicate data and loss of patient data,
so that health services are hampered. Outpatient Information
System is one solution to overcome the problems faced by
Puskesmas Pondok Benda, so that the service to patients and
the need for fast, accurate and accurate information can be
achieved.
Keywords - The era of globalization, information systems,
patient data.
I. PEND AHULU AN
Dalam era globalisasi yang semakin pesat saat ini terutama
akan kebutuhan informasi dan teknologi yang benar, tepat dan
akurat yang selalu mengikuti perkembangan zaman sangatlah
dibutuhkan oleh suatu organisasi atau lembaga. Persaingan
dibidang pelayanan dimasa sekarang dan akan datang
diperlukan oleh suatu lembaga atau organisasi, apalagi dengan
hadirnya komputer saat ini sebagai alat bantu yang dapat
mempermudah pekerjaan manusia. Hal ini merupakan
tantangan dan kebutuhan bagi setiap organisasi agar dapat
memberikan pelayanan jasa dengan cepat dan memberikan
informasi yang akurat kepada masyarakat, tidak terkecuali
Puskesmas Pondok Benda. Dengan semakin berkembangnya
teknologi di era globalisasi ini, mucul berbagai macam ide
dalam pengembangan sistem komputerisasi, yang membantu
menyampaikan informasi secara cepat, tepat dan akurat. Dalam

147
 Jurnal TICOM Vol. 6 No.3 Mei 2018

menghadapi hal tersebut maka diperlukan suatu sistem yang

menunjang dan dapat mempermudah semua proses menjadi 2.2 Metodologi Khusus
komputerisasi, mulai dari penyimpanan data, pengolahan data, Metodologi khusus yang kami gunakan dalam melakukan
menghasilkan informasi untuk mempermudah sebuah rancang bangun Analisa dan Desain Sistem Informasi Rawat
pengambilan keputusan. Sistem Informasi merupakan Jalan Pada UPT Puskesmas Pondok Benda sebagai berikut :
kumpulan dari komponen-komponen yang mengumpulkan, Siklus hidup pengembangan sistem (System Development
memproses, menyimpan, dan menyediakan output dari setiap Life Cycle = SLDC) adalah serangkaian aktivitas yang
informasi yang dibutuhkan dalam proses bisnis serta aplikasi dilaksanakan oleh profesional dan pemakai sistem untuk
yang digunakan melalui perangkat lunak, database dan bahkan mengembangkan dan mengimplementasikan sistem informasi.
proses manual yang terkait [1]. Masalah yang sering timbul Sistem ini dikembangkan melalui sebuah proses formal [2].
pada UPT Puskesmas Pondok Benda ialah kesulitan dalam SLDC terdiri atas 5 aktivitas yang secara logis dapat diterima
pencarian data pasien, kerangkapan data dan hilangnya data oleh para ahli dalam komunitas sistem. Kelima aktivitas
pasien. Dengan beragam masalah yang dihadapi tentu saja akan tersebut menurut [3] seperti diuraikan berikut ini
menyebabkan proses pelayanan Puskesmas akan terganggu dan
kebutuhan akan informasi yang cepat, akurat tidak akan
tercapai. Sistem Informasi Rawat Jalan merupakan salah satu
solusi untuk mengatasi permasalahan yang di hadapi oleh UPT
Puskesmas Pondok Benda, dalam Sistem Informasi Rawat
Jalan akan disediakan modul entry data pasien, pendaftaran
pasien dan pembuatan laporan. Dengan adanya Sistem
Informasi Rawat Jalan Pada UPT Puskesmas Pondok Benda,
masalah terkait hilangnya data pasien, kesulitan dalam
pencarian data pasien dan data yang tidak akurat akan teratasi.

II. METODOLOGI PENELITIAN

2.1 Metodologi Umum

Dalam melakukan Analisa dan Desain Sistem Informasi
Rawat Jalan Pada UPT Puskesmas Pondok Benda ini dapat
mengakomodir kebutuhan user untuk pengembangan aplikasi,
adapun metodologi umum yang kami gunakan sebagai berikut: Gbr 2. System Development Life Cycle = SLDC

2.3 Uraian Prosedur

Pasien yang ingin berobat di Puskesmas Pondok Benda
datang ke loket TU (Loket satu). Pasien mengambil nomor
antrian, pasien dipanggil berdasarkan nomor antrian yang di
ambil untuk melakukan pendaftaran berobat, Pasien dapat
memilih beberapa poliklinik, antara lain Poli Umum, Poli Gigi
dan Poli KIA (Kesehatan Ibu dan Anak).

Gbr 1. Metodologi Umum

Hasil evaluasi dan asesmen dipergunakan untuk (1)

Analisa pengembangan sistem yang merupakan bagian dari
area IT Resources, (2) Analisa mutu sistem yang merupakan
bagian dari area IT Processes. Evaluasi dan asesment
memegang peranan kunci dan menentukan tingkat keberhasilan
kegiatan Analisa dan Desain Sistem Informasi Rawat Jalan
Pada UPT Puskesmas Pondok Benda.

148

Gbr 3. Activity Diagram Pendaftaran
III. HASIL DAN PEMBAH ASAN
3.1 Use Case Diagram File Master
Adapun use case diagram master yang dijalankan oleh
petugas TU dalam meng input data awal yang dibutuhkan
sebagai berikut:
Gbr 4. Use case diagram Master
149
Jurnal TICOM Vol. 6 No.3 Mei 2018
3.2 Use Case File Transaksi
Use case transaksi menggambarkan interaksi antara
petugas TU dengan sistem,diantaranya : entry
pendaftaran,entry pemeriksaan, dan cetak kwitansi.adapun use
tersebut sebagai berikut:
Gbr 5. Use case diagram Transaksi
3.3 Use Case File Cetak Surat Keterangan
Use case surat keterangan menggambarkan interaksi
antara petugas TU dengan sistem,diantarany : cetak surat
keterangan dokter,cetak surat keterangan sakit,cetak surat
keterangan rujukan,dan cetak surat keterangan kematian
adapun use tersebut sebagai berikut:
Gbr 6. Use case diagram Cetak Surat Keterangan
3.4 Use Case File cetak Laporan
Use case Laporan menggambarkan interaksi antara
petugas TU dengan sistem,diantarany: cetak laporan kunjungan
pasien,cetak laporan pendapatan retribusi, cetak laporan
pendapatan tindakan,cetak laporan rujukan pasien dan cetak
laporan penggunaan obat .adapun use tersebut sebagai berikut:
Gbr 7. Use case diagram Cetak Laporan
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Basis data adalah kumpulan data yang disimpan secara

sistematis di dalam komputer dan dapat diolah atau Gambar Entity Relationship Diagram diatas merupakan
dimanipulasi menggunakan perangkat lunak (program aplikasi) gambaran dari aliran data yang ada pada UPT Puskesmas
untuk menghasilkan informasi. Pendefinisian basis data Pondok Benda.
meliputi spesifikasi berupa tipe data, struktur, dan juga batasan-
batasan data yang akan disimpan[4]. Basis data merupakan 3.6 Struktur Tampilan
aspek yang sangat penting dalam sistem informasi dimana basis
data merupakan gudang penyimpanan data yang akan diolah
lebih lanjut. Basis data menjadi penting karena dapat
menghidari duplikasi data, hubungan antar data yang tidak
jelas, organisasi data, dan juga update yang rumit[5].
Dengan menggunakan basis data maka data yang selama
ini tersimpan secara fisik dapat disimpan secara logic, sehingga
pencarian terhadap data menjadi lebih mudah dikarenakan
menggunakan formula (query) tertentu. Kemudahan pencarian
data ini menjadi sangat penting, sehingga informasi dapat
dihasilkan secara tepat, cepat dan akurat[6]. Arsitektur
database Aplikasi Kepuasan Layanan Akademik berbasis
Mobile sebagai berikut :

3.5 Entity Relationship Diagram (ERD)

Gbr 9. Struktur Tampilan

Gambar stuktur tampilan di atas merupakan rancangan

yang terdapat pada sistem yang diawali dari file master sampai
laporan pada UPT Puskesmas Pondok Benda.

3.7 Rancangan Layar

Adapun salah satu contoh rancangan layar pada menu
utama file master administrasi rawat jalan UPT Puskesmas
Pondok Benda adalah sebagai berikut

Gbr 8. Entity Relationship Diagram

Gbr 10. Rancangan Layar Form Menu Utama

150
 Jurnal TICOM Vol. 6 No.3 Mei 2018

3.8 Sequence Diagram 3.9 Rancangan Class Diagram ( Entity, Boundary,Control

Class )

: Petugas T U : frm Pasie n : ctrlPa sie n : Pasi en : JAMKES : UMUM

open Form() Au tonu mber()
getMaxID_Pa si en()
RekamMedis SuratSakit SuratDokter SuratRujuk
SuratKematian
ID_Pasien No_SKST No_SKD No_SKR
No_SKKN
Tgl_RM Tgl_SKST Tgl_SKD Tgl_SKR
setID_Pasie n() Tgl_SKKN
setID_Pasie n(string)
setID_Pasi en(stri ng) Anamnesa Mulai_Tgl Ket_Lain Ket_Rujuk
Umur
getPasi en()
Diagnosa Sampai_Tgl Keperluan RS_Rujuk
Hari Poli
getDataPa si en(intege r, stri ng)
Ket No_Reg No_Reg Poli_Rujuk
setID_Pasie n(stri ng) Jam No_Poli
setNo_Referensi () Jenis_Rujuk
No_Reg Nm_Poli
getJAM KES()
cariRekamMedis() getMaxNo_SKST() getMaxNo_SKD() No_Reg
Insert() getNo_SKST() setNo_SKD()
getDataJAM KES(in tege r,strin g) getMaxNo_SKKN() setNo_Poli()
getRMperPasien() getSuratSakit() getSuratDokter() getSuratRujuk()
setNo_SKKN() getPoli()
getID_Pasien() Insert() Insert() getMaxNo_SKR()
setID_Pasie n() getSuratKematian() getMaxNo_Poli()
setID_Pasie n(string) SuratDokterAda() setNo_SKR()
getID_Pasi en(string) 1..* Insert() Poli Ada()
getPasi en() 1 Insert()
1 Update()
getDataPa sie n() 1 1
1 Insert()
setID_Pasie n(string)
Pasien Dokter Delete()
setKelu rahan ()
ID_Pasien getLVPoli()
getUMUM() NIP
getDataUM UM()
Nm_Pasien Pendaftaran Nm_Dokter 1
Nm_KK Golongan
No_Reg
Tgl_Daftar 1 Alamat
si mpan() setDataPa sie n()
Tgl_Reg
Tgl_Lahir Tlp 1..*
Si mpan()
Tinggi_Bdn
Pa si enAda() Tmpt_Lahir 1 Status_Dokter
Brt_Bdn
Updat e() Jenkel 1
Tkn_Darah No_Poli
Insert() Pekerjaan
Nadi 1..*
Tlp 1
JA MKESAd a() 1 1..* Retribusi getNIP()
Updat e() Jenis_Pasien getDokter()
ID_Pasien 1
Insert() Alamat Dokter Ada()
NIP
UM UMAda() Gol_Darah 1..*
Update()
Update()
getMaxNo_Reg() 1 Insert()
Insert() getMaxID_Pasien() Delete()
Insert()
getID_Pasien()
CetakKartuPa sie n() getNo_Reg()
getPasien() Kwitansi
Ubah() getPendaftaran()
Si mpan() Pasien Ada() 1
SetNo_Reg() 1 No_Kwitansi
Hapus() Update()
Tgl_Kwitansi
Hapus() Insert()
Dele te() Resep No_Reg
Delete()
Del ete()
No_Resep
Dele te() 1 1 detil_tindakan getMaxNo_Kwitansi()
Tgl_Resep
1 1 No_Reg No_Reg setNo_Kwitansi()
Cari ()
getID_Pasi en popup() Kd_Tindakan getKwitansi()
: pop up_pasien
JAMKES UMUM getMaxNo_Resep() Insert()
getID_Pasie n Pop up() Byk_Tindakan
ID_Pasien ID_Pasien Harga_Tind getNo_Resep()
No_Referensi Status_Pasien getResep()
detil _resep
Cetak()
CetakKartuPa sie n() Jenis_Jamkes Kelurahan Insert() Insert()
Status_Peserta No_Resep
getdetil_pasien() 1..*
Kd_Obat
UMUM Ada() setNo_Reg()
JAMKES Ada() 1..* Dosis
Update() getTindakanperPendaftaran()
Update() Aturan_Pakai
Insert() Obat
Insert() Delete()
Delete() Kd_Obat INsert()
setID_Pasien() 1..*
setID_Pasien() Nm_Obat getdetil_resep()
getUMUM()
setNo_Referensi() Tindakan Jen_Obat getTerapiSementara()
getJAMKES() Stock
Kd_Tindakan
Satuan
Nm_Tidakan
Hrg_Tindakan
getMaxKd_Obat()
getMaxKd_Tindakan() setKd_Obat()
getObat()
setKd_Tindakan()
Gbr 11 . Sequence Diagram Entry Data Pasien getTindakan()
Obat Ada()
Update()
Tindakan Ada()
Insert()
Update()
Insert() Delete()

Sequence diagram adalah menggambarkan interaksi antar Delete()

obyek yang ada didalam dan disekitar system.gambar diatas

merupakan salah satu contoh bentuk sequence diagram entry
data pasien pada UPT Puskesmas Pondok Benda Gbr 12. Entity Class Diagram

Gambar class diagram diatas merupakan sesuatu yang

meggambarkan struktur dan deskripsi class,package dan
obyek beserta hubungan satu sama lain yang saling
berkaitan.

IV. KESIMPULAN
Berdasarkan pembahasan yang telah diuraikan maka
penulis mencoba memberi kesimpulan sebagai berikut :
a. Dengan Sistem yang terkomputerisasi ini sangat
mendukung proses kerja seperti penyimpanan data-data
sehingga dengan mudah dapat memberikan informasi yang
dibutuhkan oleh Kepala Puskesmas pada saat dibutuhkan.
b. Pencarian data pasien menjadi lebih cepat ,mudah dan
efisien.
c. Sistem informasi administrasi rawat jalan ini dapat
membantu pihak Puskesmas dalam hal pengolahan data-
data yang awalnya menggunakan berkas-berkas yang

151
 Jurnal TICOM Vol. 6 No.3 Mei 2018

sangat menghabiskan tempat menjadi lebih ringkas karena DAFTAR PUSTAK A

seluruh data terorganisasi dalam satu media penyimpanan.
d. Dengan adanya sistem yang diusulkan ini dapat mengurangi
kemungkinan adanya kerangkapan data dan kesalahan
penulisan karena data hanya memiliki satu nomor identitas.
e. Kesulitan dalam pembuatan laporan secara manual, dapat
dipermudah dan dipercepat dengan adanya sistem yang
terkomputerisasi ini.
[1] Satzinger J.W., Jackson R.B. & Burd S.D., System
Analysis and Design in a Changing World Seventh
Edition, USA: Cengage Learning, ISBN 978-1-305-
11720-4,2012
[2] A Hall, James.,.Accounting Information System, Jakarta:
Salemba Empat, Edisi ke 4, 2011
[3] Mardi, Sistem Informasi Akuntansi,.Bogor: Ghalia
Indonesia, 2014
[4] Kadir, A., Pengenalan Sistem Informasi, Yogyakarta:
Andi, 2009.
[5] Hamim, T., Analisis Serta Perancangan Sistem Informasi
Melalui Pendekatan UML, Yogyakarta: Andi Offset,
2014.
[6] Utomo, “Analisis dan Perancangan Sistem Pendaftaran
Siswa Baru Berbasis Web di SDN Ungaran 2
Jogjakarta” , Jurusan Sistem Informasi, Amikom,
Yogyakarta, 2011

152
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Sistem Presensi Karyawan Berbasis Pengenalan

Wajah Menggunakan Metode Haar Cascade dan
Local Binary Pattern Histogram (LBPH)
Painem#1 , Hari Soetanto#2
#
Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
1 painem@budiluhur.ac.id

2
hari.soetanto@budiluhur.ac.id

Abstrak — Yayasan Pendidikan Budi Luhur Çakti telah
menerapkan sistem presensi karyawan menggunakan
finger print. Perekaman data dilakukan dengan meletakkan
jari pada perangkat pembaca finger print, perangkat
merekam dan mengidentifikasi pola sidik jari pengguna.
Namun demikian, sering terjadi kesalahan pada saat
pemindaian dikarenakan perangkat tidak dapat
mendeteksi sidik jari pengguna jika dalam kondisi kotor.
Hal tersebut umumnya terjadi karena terdapat banyak
bekas sidik jari yang menempel, terkena air atau keringat.
Pancaran cahaya matahari secara langsung juga dapat
menyebabkan mesin tidak bekerja secara optimal. Mesin
finger print juga kesulitan mendeteksi jari yang terluka,
terkelupas dan kotor. Oleh karena itu, pada penelitian ini
diusulkan sistem presensi berbasis algoritma pengenalan
wajah menggunakan teknologi computer vision. Verifikasi
presensi kehadiran dilakukan berdasarkan algoritma
pengenalan wajah (face recognition). Setiap data wajah
karyawan direkam dan disimpan di dalam basis data.
Selanjutnya data wajah karyawan digunakan sebagai
pembanding pada saat proses pengenalan. Algoritma yang
akan digunakan adalah Haar Cascade dan Local Binary
Pattern Histogram (LBPH). Prototipe dikembangkan
menggunakan bahasa pemrograman Python.
Kata kunci: presensi karyawan, pengenalan wajah, Haar
Cascade, LBPH, computer vision
Abstract — Budi Luhur Education Foundation Çakti has
implemented employee presense system using finger print.
Data recording is done by placing a finger on the finger print
reader, recording device and identifying the user's fingerprint
pattern. However, there is often an error during scanning
because the device can not detect the user's fingerprint if it is
dirty. This generally happens because there are many
fingerprints that stick, exposed to water or sweat. Direct
sunlight can also cause the machine to not work optimally.
The finger print machine also finds it difficult to detect
injured, peeling and dirty fingers. Therefore, this research
proposed a presenting system based on facial recognition
algorithm using computer vision technology. Attendance
attendance verification is done based on face recognition
algorithm. Each employee's face data is recorded and stored
in the database. Furthermore, employee face data is used as a
comparison during the introduction process. The algorithm to
be used is Haar Cascade and Local Binary Pattern Histogram
(LBPH). The prototype was developed using the Python
programming language.
Keywords: employee presences, facial recognition, Haar
Cascade, LBPH, computer vision
I. PEND AHULU AN
Yayasan Pendidikan Budi Luhur Çakti (YBLC) adalah
salah satu institusi yang bergerak dalam bidang pendidikan
yang berdiri sejak tahun 1979 dan mempunyai lebih dari 500
karyawan Saat ini, YBLC telah menerapkan sistem Presensi
karyawan dengan finger print (sidik jari) yaitu dengan
meletakkan jari pada alat maka alat tersebut akan merekam data
dan gambar pola sidik jari. Karyawan melakukan abensi dua
kali dalam satu hari yaitu presensi datang dan presensi pulang.
Presensi datang seharusnya dilakukan maksimum jam 07.45
sesuai dengan peraturan kepegawaian karyawan YBLC.
Presensi datang dilakukan dengan menekan tombol F1
kemudian meletakkan jari pada mesin finger print. Presensi
pulang dimulai dari jam 16.00 sesuai dengan peraturan
kepegawaian YBLC. Presensi pulang dilakukan dengan

153
 Jurnal TICOM Vol. 6 No.3 Mei 2018

menekan tombol F2 kemudian meletakkan jari pada finger

print.
Namun demikian, sering terjadi kesalahan pada saat
pemindaian dikarenakan mesin tidak dapat mendeteksi sidik
jari seseorang bila mesin dalam kondisi kotor karena terdapat
banyak bekas sidik jari yang menempel atau basah karena
terkena air atau keringan sidik jari seseorang. Mesin yang
terkena cahaya mataharai secara langsung juga menyebabkan
penurunan kinerja sistem dalam mengidentifikasi jari
karyawan. Hal ini dibuktikan dengan banyaknya karyawan
mengisi form komplain presensi dikarenakan jari tidak
terdektesi dan karyawan merasa sudah melakukan finger print
tetapi di laporan presensi tidak tercatat (tidak hadir).
Oleh karena itu, pada penelitian ini diusulkan sistem
presensi berbasis pengenalan wajah menggunakan teknologi
computer vision. Verifikasi presensi dilakukan berdasarkan
algoritma pengenalan wajah (face recognition). Setiap data Gbr 11. Proses Dasar Pengolahan Citra Digital [1]
wajah karyawan direkam dan disimpan di database.
Berdasarkan latar belakang diatas maka permasalahannya Image enhancement atau peningkatan kualitas citra
adalah bagaimana pencatatan presensi karyawan dengan merupakan proses peningkatan kualitas citra bersifat obyektif.
metode Haar Cascade dan metode LBPH dan bagaimana Image restoration atau restorasi citra merupakan proses
tingkat akurasi pengenalan wajah karyawan menggunakan peningkatan kualitas bersifat subyektif.Color Image Processing
metode Haar Cascade dan metode LBPH. merupakan proses pengolahan warna pada citra. Salah satu
pemanfaatan konsep wavelets adalah dalam kompresi citra
II. TINJAU AN PUSTAK A
(image compression). Segmentasi citra merupakan proses
2. 1. Pengolahan Citra Digital penting dalam pengolahan citra digital yang bertujuan untuk
Menurut [1] citra didefinisikan sebagai fungsi dua memisahkan obyek yang akan diamati dengan obyek lain yang
dimensi dari f(x, y) dimana x dan y merupakan koordinat ruang, tidak terlalu penting.
dan amplitudo dari f pada setiap titik (x, y) yang mana disebut
2.2. Haar Cascade
intensitas atau derajat keabuan (gray level) dari citra pada titik
Haar-Like Feature digunakan dalam mendeteksi objek
tersebut. Jika nilai x, y dan f bersifat terbatas dan diskret, maka
pada sebuah citra digital. Awalnya pengolahan gambar hanya
citra disebut sebagai citra digital. Dengan kata lain, citra digital
dengan melihat nilai dari nilai RGB dari setiap pixel, namun
merupakan kumpulan dari elemen-elemen yang menempati
metode ini ternyata tidaklah efektif. Viola dan Jones kemudian
ruang tertentu dan memiliki nilai intensitas atau derajat
mengembangkannya sehingga terbentuk Haar-Like feature.
keabuan tertentu. Elemen tersebut sering diistilahkan sebagai
Haar-Like feature memproses gambar dalam kotak-kotak,
picture element atau disingkat pixel [2].
dimana dalam satu kotak terdapat beberapa pixel, per kotak itu
Sementara itu, pengolahan citra digital merupakan
pun kemudian diproses dan didapatkan perbedaan nilai yang
pengolahan citra digital menggunakan perangkat komputer
menandakan daerah gelap dan terang. Nilai-nilai inilah yang
untuk tujuan tertentu. Pengolahan citra digital tidak hanya
nantinya dijadikan dasar image processing.
melibatkan sebuah proses tunggal, namun dapat terdiri dari
Proses alur deteksi wajah dengan Haar Cascade digambar
berbagai macam proses. Gambar 1 merupakan beberapa proses
sebagai berikut [3]:
dasar dalam pengolahan citra digital. Image acquisition atau
akuisisi citra merupakan proses awal dari rangkaian proses
pengolahan citra digital. Tujuan dari proses ini adalah
menangkap dan membentuk citra digital sesuai dengan format
yang diinginkan.

Gbr 12. Alur Deteksi Wajah dengan Haar Cascade[3]

154

2.3. LBPH
Local Binary Pattern adalah salah satu algoritma yang
dirancang untuk mengklasifikasikan gambar berdasarkan
tekstur dengan memberikan label untuk setiap piksel dari suatu
gambar. Proses dilakukan dengan operator skala 3x3 dan
membandingkan nilai dari titik tengah dengan nilai 8 piksel
disekililingnya pada contoh gambar berukuran 3x3 piksel[4].
Gbr 13. Contoh Gambar 3x3 Piksel dan Pemberian Nilai
Biner
Pemberian nilai dilakukan dengan cara menghitung jarak
antara nilai titik tengah dengan sekelilingnya lalu memberi
biner 1 untuk setiap nilai yang sama atau lebih dari nilai titik
tengah dan memberikan nilai 0 untuk nilai yang kurang dari
titik tengah ilustrasi seperti pada Gambar [5]. Setelah
pemberian nilai akan dilakukan penyusunan angka biner seperti
pada array berukuran 8-bit dan dilakukan searah jarum jam atau
bisa sebaliknya.
Gbr 14. Penyusunan biner menjadi nilai desimal
Proses selanjutnya adalah merubah bentuk biner yang
telah disusun menjadi bentuk desimal dan meletakan kembali
nilai desimal yang didapat pada nilai tengah dari hasil
perbandingan antara titik tengah dan 8 piksel disekelilingnya ,
ilustrasi seperti pada gambar 5. Dari nilai desimal yang didapat
akan ditempatkan didalam hasil keluaran Local Binary Pattern.
Gbr 15. Proses mapping setelah mendapatkan nilai desimal
Setelah mendapatkan keseluruhan nilai desimal dalam
sebuah gambar akan diperoleh sebuah histogram yang
155
Jurnal TICOM Vol. 6 No.3 Mei 2018
merupakan detail nilai dari keseluruhan gambar yang nantinya
akan dibandingkan dengan histogram yang sebelumnya sudah
disimpan dalam proses perekaman data sebelumnya dan
nantinya akan dibandingkan untuk memperoleh kecocokan
sehingga dapat disimpulkan bahwa gambar yang masuk sama
dengan gambar yang disimpan sebelumnya.
(1)
Di dalam proses perbandingan histogram dengan
algoritma Euclidian Distance, nantinya nilai jarak kedekatan
antara suatu histogram dengan histogram lainnya akan
dijadikan dasar tolak ukur penilaian kecocokan pada suatu citra.
III.METODE PENELITIAN
3.1. Usulan Model
Pada penelitian ini diusulkan sebuah model presensi
berbasis algoritma pengenalan wajah seperti tampak pada
Gambar 6. Pada bagian Training, pengguna melakukan input
data nip dan nama yang akan tersimpan ke basis data SQLite.
Selain itu, citra wajah pengguna dicapture dan dilakukan
ekstraksi ciri Haar (Haar Cascade). Metode Haarcascade pada
ekstraksi ciri merubah image menjadi citra grayscale. Teknik
yang dilakukan yaitu dengan cara mengkotak-kotakkan setiap
daerah pada image dari mulai ujung kiri atas sampai kanan
bawah. Proses ini dilakukan untuk mencari apakah terdapat
fitur wajah pada area tersebut. Pada proses pemilihan fitur haar,
fitur-fitur tersebut digunakan untuk mencari fitur wajah seperti
mata, hidung dan mulut.
Bentuk ciri Haar berupa gelombang kotak. Pada 2 dimensi
, gelombang kotak adalah pasangan persegi yang bersebelahan,
1 terang dan 1 gelap. Haar ditentukan oleh pengurangan pixel
rata-rata daerah gelap dari pixel rata-rata daerah terang. Jika
perbedaan diatas threshold (diatur selama learning) maka fitur
tersebut dikatakan ada. Untuk menentukan ada atau tidaknya
fitur haar di setiap lokasi image atau gambar, menggunakan
teknik yang disebt integral image. Integral image pada
umumnya menambahkan unit kecil secara bersamaan. Unit
kecil yang dimaksud disini adalah nilai dari pixel. Nilai dari
Integral pada masing-masing pixel merupakan penjumahan dari
semua pixel diatasnya dan disebelah kirinya.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

T ABEL II.
SPESIFIKASI TABEL KEHADIRAN
No Nama Field Type Length Keterangan
1 id_kehadiran Integer 11 Id untuk
kehadiran
2 id_user Varchar 10 Id untuk
karyawan
dengan Nomor
Induk Pegawai
3 tgl_kehadiran Date 8 Tanggal
kehadiran
dilakukan
4 jam_datang Time 8 Jam kehadiran
dilakukan
Gbr 16. Usulan model Presensi Karyawan Berbasiskan 5 jam_pulang Time 8 Jam pulang
Pengenalan Wajah Menggunakan Metode Haar Cascade dan dilakukan
Local Binary Pattern Histogram (LBPH)

IV. HASIL DAN PEMBAHASAN Gambar 7 dan Gambar 8 menyajikan rancangan layar
aplikasi. Pada saat proses perekaman data, akan dilakukan
4.1. Prototipe Aplikasi proses penggambilan data training berupa foto dari karyawan.
Pada penelitian ini dihasilkan sebuah prototipe aplikasi Dalam proses ini akan ada sebuah tampilan layar seperti
presensi karyawan berbasis algoritma pengenalan wajah. Gambar 7 untuk proses perekamana data.
Prototipe dibangun menggunakan bahasa pemrograman
Python. Berikut ini dijelaskan rancangan basis data, rancangan
tampilan dan algoritme aplikasi yang dikembangkan.
Tabel 1 dan Tabel 2 menyajikan struktur basis data yang
dipergunakan pada aplikasi. Kedua tabel tersebut menyimpan
data record yang didapat dalam proses perekaman data dan
proses presensi.
T ABEL I.
SPESIFIKASI TABEL USER
No Nama Type Length Keterangan
Field
1 id_user Varchar 10 Id untuk karyawan
Gbr 17. Rancangan layar perekaman data wajah pada proses
2 nm_user Varchar 100 Nama Karyawan training.
3 aktif Integer 1 Status dari karyawan
yang masih aktif Pada aplikasi akan dibuat tampilan layar yang berisikan
bekerja tabel kehadiran untuk hari saat ini dan memiliki dua tombol
untuk melakukan proses presensi yakni, tombol untuk
melakukan absen datang dan tombol untuk melakukan absen
pulang seperti pada Gambar 8.

156
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Gbr 18. Rancangan layar Halaman Presensi untuk absen

datang dan pulang

Gambar 9 dan Gambar 10 menyajikan contoh algoritme

untuk proses pelatihan (training) dan algoritme proses
pengenalan wajah (testing). Pada proses pelatihan seperti
digambarkan dalam urutan proses pada Gambar 9, pada
dasarnya sistem akan merekam fitur wajah karyawan dan
menyimpannya ke dalam basis data. Sementara itu, pada
Gambar 10 disajikan algoritme proses pengenalan wajah saat
karyawan melakukan presensi kehadiran.

Gbr 20. Algoritme proses pengenalan wajah saat karyawan

melakukan presensi kehadiran

4.2. Hasil Pengujian

Data hasil training image disimpan di dalam database
SQL untuk teks dan database citra. Jika di dalam database citra
akan tampil banyak citra dengan masing - masing obyek adalah
5 kondisi yang berbeda seperti yang sudah dijelaskan pada
proses pengambilan data masukan.

Gbr 19. Algoritme proses pelatihan (training) data karyawan

Gbr 21. Contoh data (citra) training yang telah tersimpan

Untuk pengujian aplikasi deteksi wajah, sebanyak dua kali

pengujian berdasarkan tingkat akurasi. Untuk pengujian
pertama ada tingkat akurasi sebanyak 3 buah, diantaranya
tingkat akurasi dengan batas maksimal 30, 40, dan 50. Pada
pengujian yang pertama ini dicari dengan tingkat akurasi yang
terbaik. Lalu jika sudah ditemukan tingkat akurasi mana yang
terbaik, maka pada pengujian kedua dilakukan pengujian
dengan menggunakan tingkat akurasi tersebut. Pengujian

157
 Jurnal TICOM Vol. 6 No.3 Mei 2018

threshold ini dilakukan ketika Karyawan melakukan pengisian 7 Sri × - × - × -

presensi datang dan pulang. Wulandar
i
Untuk mencari akurasi pengenalan wajah adalah dengan
membagi test/sampel yang berhasil dengan jumlah sampel 8 Novia R × - √ 1 √ -
percobaan selanjutnya dikali dengan 100%. Persamaan (2) orang
merupakan persamaan yang digunakan untuk menghitung
akurasi. 9 Mus × - √ - √ -
Priandi

Akurasi( ) = x 100% (2) 10 Luthfi A × - √ - √ -

11 Farras × - √ 1 √ 1
Alwa n orang orang

Citra sampel terdiri dari 20 wajah yang berbeda dengan 5 12 Greghar × - × 2 × 3

posisi yang berbeda seperti pada Gambar 11, sehingga total Juan orang orang
citra masukkan yang berada pada database citra sebanyak 100
13 Muha mm √ - √ - √ -
citra wajah. Sebelum melakukan pengenalan akan dilakukan ad Nur I
penginputan data Wajah, Nip, dan Nama Karyawan ke dalam
database. Dalam perekaman data wajah pada penginputan data 14 Purwo × - × 1 × 1
dilakukan di dalam ruangan tidak tergantung pada waktu pagi, orang orang
siang, sore, ataupun malam menggunakan cahaya lampu
15 Alamsya × - √ 1 √ -
ruangan yang berbeda - beda tingkat kecerahannya. Setelah itu h Catur orang
dilakukan pengujian untuk mengetahui tingkat akurasi dengan
nilai threshold sebesar 30, 40, dan 50. 16 Nanda √ - √ - √ -
Tabel 3 menyajikan hasil pengujian menggunakan nilai Kusmian
da
threshold (T) sebesar 30, 40 dan 50. Jika tanda checklist dalam
kolom threshold dengan kolom kemiripan ditandai dengan - 17 Septi × - × - √ -
(strip) artinya obyek tidak ada kesamaan. Jika tanda checklist Fadjar
dalam kolom threshold dengan kolom kemiripan ditandai
dengan jumlah obyeknya artinya obyek mempunyai kesamaan 18 Hendry √ - √ - √ -
Nugroho
dengan obyek yang lain. Jika tanda silang dalam kolom
threshold dengan kolom kemiripan ditandai dengan - (strip) 19 Iqra × - √ 2 √ -
artinya obyek tersebut tidak dikenali. Berdasarkan hasil Habibi orang
pengujian seperti disajikan pada Tabel 3, dihitung nilai akurasi
20 Nico × - √ - √ -
untuk setiap nilai threshold (T) sehingga diperoleh nilai akurasi
Gustav D
untuk nilai threshold 30 sebesar 20%, threshold 40 sebesar 55%
dan threshold 50 sebesar 75%. Dengan demikian nilai optimum
diperoleh jika menggunakan nilai threshold sebesar 50.
V. KESIMPULAN
T ABEL III.
H AS IL PENG UJ IAN
Berdasarkan penjelasan dan pengujian yang telah
No Nam a Hasil Uji (T = threshold)
dilakukan, dapat diperoleh beberapa kesimpulan sebagai
T. Kemi T.40 Kemi T.50 Kemi berikut :
30 ripa n ripa n ripa n
1. Hasil pencarian dipengaruhi oleh faktor cahaya ruangan,
1 Lulu × - √ - √ 3
orang
sudut kemiringan citra, dan jarak antara subyek dan
kamera serta resolusi yang baik pada webcam.
2 Wahyu × - √ - √ - 2. Akurasi dengan jumlah percobaan sebanyak 20 kali
3 Ferdy √ - √ - √ -
dengan wajah yang berbeda dengan menggunakan tingkat
akurasi yang paling tinggi yakni dengan threshold 50 dan
4 Kukuh × - √ 1 √ - memperoleh hasil akurasi sebesar 75%.
Yoga orang

5 Muha mm × - √ - √ -
ad Rafli

6 Fitria R × - √ - √ -

158

DAFTAR PUSTAK A
[1] Gonzalez, R. C. and Woods, R. E . (2007) “Digital
Image Processing (3rd Edition). 3rd ed.” Prentice
Hall.
[2] Sulistiyo, W., Suyanto, B. and Hestiningsih, I. (2014)
“Rancang Bangun Prototipe Aplikasi Pengenalan
Wajah untuk Sistem Absensi Alternatif dengan
Metode Haar Like Feature dan Eigenface,” Jtet, 3(2),
pp. 93–98
[3] Kim, M., Lee, D. and Kim, K.-Y. (2015) “System
Architecture for Real-Time Face Detection on Analog
159
Jurnal TICOM Vol. 6 No.3 Mei 2018
Video Camera,” International Journal of Distributed
Sensor Networks. SAGE Publications, 11(5), p.
251386. doi: 10.1155/2015/251386.
[4] Akariman, Q., Jati, A. N., Novianty, A Elektro, F. T.,
Telkom, U. and Recognition, F. (2015) “Pengenalan
Wajah Pada Perangkat Android Menggunakan
Algoritma Local Binary Pattern ( Lbp ) Face
Recognition Based on the Android Device Using
Local Binary,” 2(2), pp. 3729–3736.
[5] Sari, I. A. D. P., Hidayat, B. and Sunarya, U. (2015)
“Pengenalan Aksara Bali dengan Metode Local
Binary Pattern,” E-Proceeding of Engineering, 2(2),
pp. 2697–2704
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Implementasi One Time Password(OTP) dengan

Algoritma Message Digest 5 (MD5) pada Sistem
Login E-Learning
Wili Yudha Diningrum#1 , Mardi Hardjianto#2
#
Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
1wiliyudha18@gmail.com

2mardi.hardjianto@budiluhur.ac.id

Abstrak — Sistem informasi dapat digunakan untuk
menunjang kegiatan di dalam suatu organisasi. Sistem
informasi menjadi sangat rawan apabila di akses oleh
orang yang tidak berkepentingan sehingga dibutuhkan
sistem login. Biasanya orang akan menggunakan password
yang mudah ditebak oleh orang lain atau menggunakan
password statis atau tidak pernah berubah. Selain itu
password juga dapat diketahui oleh pihak yang tidak
bertanggung jawab dengan cara sniffing atau penyadapan.
Hal ini membuat password tidak aman dalam mengakses
sistem informasi. Untuk itu, agar dapat mencegah
penyusupan ke dalam sistem informasi maka dibuat sistem
otentikasi berupa password unik dengan hanya sekali pakai
yang disebut One Time Password. Oleh karena penggunaan
smartphone android saat ini semakin meningkat dan sistem
operasinya juga selalu mengalami perubahan, maka
penelitian ini memanfaatkan smartphone android sebagai
mobile token untuk mengimplementasikan one time
password. One time password in dibangkitkan dengan
algoritma Message Digest 5 (MD5) dan sedikit penambahan
dari algoritma Time-Based One Time Password (TOTP)
yang membangkitkan enam digit bilangan yang akan
berubah setiap 60 detik. Penelitian ini mampu memberikan
keamanan pada saat akses login pada sistem informasi
karena kode yang dihasilkan dari one time password ini
selalu berubah dan tidak dapat digunakan kembali untuk
mengakses sistem bila status kode one time password tidak
valid sehingga sistem tidak dapat dengan mudah dibobol
oleh orang lain
Kata Kunci : Message Digest 5, Mobile Token, Time-Based
One Time Password
Abstract — Information systems can be used to support
activities within an organization. Information system
becomes very vulnerable if in access by an unauthorized
person, so that required login system. Usually, people will use
passwords that are easily guessed by others or use static
passwords or never changed. Besides, passwords can also be
known by irresponsible parties by sniffing or tapping. The
impact of sniffing makes the password method unsafe in
accessing the information system. Infiltration into the
information system can be avoided by creating a password
authentication system that can be used only once. This
method is called One Time Password. The current use of
Android smartphones is increasing and the operating system
is also constantly changing. This research utilizes
Smartphone Android as mobile token to implement one-time
password. One time password is generated using the Message
Digest 5 (MD5) algorithm and is combined with Time-based
One Time Password (TOTP) algorithm that makes a six-digit
number that will change every 60 seconds. This research can
provide security at the time of login access at information
system because the code generated from one-time password is
always changed and can only be used once. The proposed
system can not be easily broken into by others.
Keywords: Message Digest 5, Mobile Token, Time-Based One
Time Password
I. PEND AHULU AN
Sistem informasi memang menguntungkan dan dapat
meningkatkan kinerja dari semua komponen organisasi atau
perusahaan. Namun, keamanan sistem informasi yang berbasis
web sangat rawan untuk di sadap oleh pihak yang tidak
bertanggung jawab. Banyak metode yang sering dipakai oleh
hacker untuk dapat mengetahui username dan password dari
sebuah akun (account). Akun di sini dapat berupa akun apa
saja, seperti akun e-mail, akun jejaring sosial, akun messager,
dan lain sebagainya [1].
Perkembangan sistem informasi berbasis web dalam
bidang pendidikan saat ini pun sudah semakin pesat. Berbagai

160

jenis aktifitas pendidikan telah dijalankan dengan
memanfaatkan teknologi ini. E-learning atau electronic
learning adalah sistem pendidikan yang menggunakan aplikasi
elektronik untuk mendukung belajar mengajar dengan
memanfaatkan media internet, jaringan komputer, maupun
komputer standalone [2]. E-Learning menawarkan banyak
kemudahan dalam banyak hal, seperti penilaian, efisiensi ruang
dan alat tulis menulis. Sistem E-Learning harus terhubung
dengan internet yang merupakan jaringan publik dengan kata
lain semua orang bisa mengaksesnya. Saat memulai
menggunakan E-learning setiap user harus melakukan proses
login dengan memasukkan username dan password. Banyak
sistem E-Learning masih menggunakan protokol HTTP dalam
proses pengiriman data username dan password. Jika user
menggunakan password yang selalu sama untuk masuk ke
dalam suatu sistem, hal itu dapat menyebabkan password
tersebut menjadi rentan terhadap sniffer jaringan melakukan
replay attack [3]. Untuk mengamankan username dan
password, maka proses login perlu ditingkatkan keamanannya
dengan two factor authentication(2FA). Two factor
authentication mengharuskan pengguna melalui dua proses
otentikasi, yaitu password dan security token yang dapat
berubah dalam jangka waktu tertentu dan hanya sekali
digunakan (Time-based One-Time Password).
Pada makalah ini, pengamanan username dan password
ditambahkan dengan Time-based One-Time Password dimana
nilai OTP ini dihasilkan menggunakan algoritma Message
Digest 5 (MD5) dengan parameternya adalah waktu.
II. TINJAU AN ST UDI
2.1. Studi Literatur
Ada beberapa penelitian yang telah dilakukan oleh
beberapa peneliti sebelumnya. Perolehan nilai OTP dapat
beraneka ragam. Ada yang menggunakan hash SHA [4],
MD5[5], kombinasi MD5 dan SHA[6]. Ada juga yang
menggunakan hash yang digabung dengan enkripsi AES[7].
Dari nilai hash yang dihasilkan, diambil enam digit yang akan
digunakan sebagai nilai OTP.
2.2. Sistem Login
Sistem login merupakan proses masuk ke jaringan
komputer dengan memasukkan identitas akun minimal terdiri
dari username/akun pengguna menggunakan password untuk
mendapatkan akses. Antara username dan password keduanya
saling terkait dan tidak bisa dipisahkan, biasanya
username/akun pengguna tidak pernah diubah karena
merupakan identitas unik tetapi password/kata sandi dapat
diubah sesuai keperluan untuk menjaga keamanan akun.
2.3. Password
Password merupakan sederet karakter bisa simbol, huruf
dan angka yang memuat informasi penting untuk melakukan
proses authentifikasi, yaitu proses sistem untuk memastikan
bahwa orang yang mengakses sistem tersebut adalah orang
yang sebenarnya dan bukan orang lain atau bahkan robot.
161
Jurnal TICOM Vol. 6 No.3 Mei 2018
Otentikasi (Authentication) adalah proses untuk memastikan
bahwa kedua ujung koneksi dalam keadaan benar atau sama.
Seperti password pada umumnya, syarat agar otentikasi
berhasil adalah password yang dikirimkan client harus sama
dengan password yang disimpan di server. Dengan alasan
keamanan jarang sekali server menyimpan password user
dalam bentuk plain-text. Biasanya server menyimpan password
user dalam bentuk hash sehingga tidak bisa dikembalikan
dalam bentuk plain-text. Jadi syarat otentikasi berhasil di atas
bisa diartikan sebagai hasil penghitungan hash dari password
yang dikirim klien harus sama dengan nilai hash yang disimpan
dalam server. Ada beberapa upaya untuk mengamankan
proteksi password [8], antara lain:
a. Salting
String password yang diberikan pemakai ditambah suatu
string pendek sehingga mencapai panjang password tertentu.
b. One Time Password
Password yang dimiliki oleh pemakai diganti secara
teratur, dimana seorang pemakai memiliki daftar password
sendiri sehingga untuk login ia selalu menggunakan password
berikutnya. Dengan cara ini, pemakai akan menjadi lebih
direpotkan karena harus menjaga dan mengingat daftar
password tersebut agar tidak sampai tercuri atau hilang.
c. One Question & Long Answer
Cara ini mengharuskan pemakai memberikan satu
pertanyaan yang panjang beserta jawabannya. Pertanyaan dan
jawaban tersebut dapat dipilih oleh pemakai dan sebaiknya
mudah untuk diingat sehingga tidak perlu menuliskannya pada
kertas.
d. Response
Pemakai diberikan kebebasan untuk menggunakan satu
atau beberapa algoritma sekaligus.
1) One Time Password
One Time Password (OTP) merupakan metode
otentikasi yang menggunakan password yang selalu
berubah setelah setiap kali login, atau berubah setiap
interval waktu tertentu. Beberapa pendekatan proses
generate OTP:
1) mathematical algorithm
2) time-synchronization
3) Challenge response
2) Kriptografi
Kriptografi merupakan ilmu yang digunakan untuk
menjaga kerahasiaan pesan dengan cara
menyandikannya dalam bentuk yang tidak dapat
dimengerti maknanya. Di dalam kriptografi kita akan
sering menemukan berbagai istilah atau terminology.
Beberapa istilah yang harus diketahui yaitu :
1) Pesan, Plainteks, dan Cipherteks
2) Pengirim dan Penerima
3) Enkripsi dan dekripsi
4) Chipher dan kunci
3) Message Digest
MD5 adalah fungsi hash satu-arah yang dibuat oleh
Ron Rivest [9]. MD5 merupakan perbaikan dari MD4
setelah MD4 berhasil diserang oleh kriptanalis.

Algoritma MD5 menerima masukan berupa pesan
dengan ukuran sembarang dan menghasilkan message
digest yang panjangnya 128 bit. Gambaran pembuatan
message digest dengan algoritma MD5 diperlihatkan
pada Gbr 22
Gbr 22. Pembuatan Message Digest dengan algoritma MD5
Langkah-langkah pembuatan message digest secara garis
besar adalah sebagai berikut:
a) Padding bits
Pesan ditambah dengan sejumlah bit pengganjal
sedemikian sehingga panjang pesan (dalam satuan bit)
kongruen dengan 448 modulo 512. Ini berarti panjang pesan
setelah ditambahi bit-bit pengganjal adalah 64 bit kurang dari
kelipatan 512. Angka 512 ini muncul karena MD5 memperoses
pesan dalam blok-blok yang berukuran 512. Pesan dengan
panjang 448 bit pun tetap ditambah dengan bit- bit pengganjal.
Jika panjang pesan 448 bit, maka pesan tersebut ditambah
dengan 512 bit menjadi 960 bit. Jadi, panjang bit-bit pengganjal
adalah antara 1 sampai 512. Bit-bit pengganjal terdiri dari
sebuah bit 1 diikuti dengan sisanya bit 0.
b) Penambahan nilai panjang pesan semula
Pesan yang telah diberi bit-bit pengganjal selanjutnya
ditambah lagi dengan 64 bit yang menyatakan panjang pesan
semula. Jika panjang pesan > maka yang diambil adalah
panjangnya dalam modulo . Dengan kata lain, jika panjang
pesan semula adalah K bit, maka 64 bit yang ditambahkan
menyatakan K modulo . Setelah ditambah dengan 64 bit,
panjang pesan sekarang menjadi 512 bit.
c) Inisialisasi penyangga (buffer) MD
MD5 membutuhkan 4 buah penyangga (buffer) yang
masing- masing panjangnya 32 bit. Total panjang penyangga
adalah 4 × 32 = 128 bit. Keempat penyangga ini menampung
hasil antara dan hasil akhir. Keempat penyangga ini diberi
nama A, B, C, dan D. Setiap penyangga diinisialisasi dengan
nilai-nilai (dalam notasi HEX) sebagai berikut:
A = 01234567
B = 89ABCDEF
C = FEDCBA98
D = 76543210
Pengolahan pesan dalam blok berukuran 512 bit
162
Jurnal TICOM Vol. 6 No.3 Mei 2018
2.4. Time-based One-Time Password
Time-based one time password merupakan algoritma
perluasan dari algoritma one time password yaitu HMAC-based
One Time Password (HOTP). Algoritma TOTP menentukan
one time password berbasis waktu. Algoritma TOTP berbeda
dengan algoritma HOTP karena algoritma HOTP merupakan
algoritma yang menentukan one time password berbasis event.
Algoritma TOTP memberikan nilai OTP berumur pendek atau
berdasarkan interval waktu tertentu untuk meningkatkan
keamanan. Nilai TOTP dihitung dengan menggunakan rumus
berikut :
Parameters yang digunakan dalam algoritma TOTP
adalah sebagai berikut :
K = Secret-Key.
T = waktu-counter.
X = interval waktu dalam detik.
T0 = waktu ketika kita mulai menghitung waktu X.
T1 = waktu saat ini.
III. RANCANGAN ONE TIME PASSWORD
3.1. Penyelesaian Masalah
Penelitian ini menggunakan metode One Time Password
berbasis sinkronisasi waktu atau Time-Synchronization yang
akan berubah secara konstan pada interval waktu tertentu.
Proses ini memerlukan sinkronisasi antara token milik client
dengan server otentikasi. Di dalam token terdapat sebuah jam
akurat yang telah disinkronisasi dengan waktu server
otentikasi. Pada One Time Password waktu merupakan bagian
terpenting dari algoritma one time password, karena
pembangkitan password baru didasarkan pada waktu saat itu
dan bukan waktu pada password sebelumnya.
Pada penelitian ini akan dibuat dua aplikasi yaitu aplikasi
login web dan aplikasi untuk menmbangkitkan One Time
Password pada smartphone berbasis Android. Proses dari
aplikasi yang akan dibuat dimulai dari pengisian username dan
password pada aplikasi Android. Pada aplikasi tersebut akan
menghasilkan kode generate yang akan digunakan sebagai
kode One Time Password. Kemudian, user login pada website
dengan memasukkan username, password, dan kode generate
yang sudah didapatkan dari Android lalu memilih button login.
Metode pembangkit kode One Time Password (OTP)
pada penelitian ini menggunakan metode Time-based One Time
Password (TOTP) dan algoritma Message Digest 5 (MD5).
Sementara model yang digunakan untuk pembangkitan kode
menggunakan self-generated. Kode OTP dibangkitkan
berdasarkan waktu dan username pada saat OTP diminta
dibangkitkan. User hanya perlu memasukkan kode generate
yang ada pada mobile token. Kemudian Mobile token akan
mengeluarkan enam digit kode yang berbeda-beda secara
periodik ketika mobile token diminta untuk menghasilkan kode
self-generated. Metode ini lebih sesuai untuk diterapkan pada
 Jurnal TICOM Vol. 6 No.3 Mei 2018

pnelitian ini karena proses login akan menjadi lebih mudah dan
lebih cepat. Sehingga user tidak perlu melakukan input kode
OTP berulang-ulang, seperti pada proses pembangkitan kode
otp dengan menggunakan challenge response.
Metode pembangkit kode One Time Password (OTP)
menggunakan metode Time-based One Time Password (TOTP)
dan algoritma Message Digest 5 (MD5). Kode OTP
dibangkitkan berdasarkan waktu dan username pada saat OTP
diminta dibangkitkan. User hanya perlu memasukkan kode
generate yang ada pada mobile token. Kemudian Mobile token
akan mengeluarkan enam digit kode yang berbeda-beda secara
periodik ketika mobile token diminta untuk menghasilkan kode
self-generated.
34. Gabungkan nilai dari variabel hasil
35. Ambil 6 karakter pertama.
IV. HASIL D AN PEMB AHASAN
4.1. Tampilan Layar Menu Login Mobile Token
Gbr 23 menunjukkan tampilan awal ketika user meminta
kode OTP, disini ada dua textfield untuk memasukkan
username dan password serta terdapat tombol generate yang
digunakan untuk membangkitkan OTP.

3.2. Algoritma Proses One Time Password

Berikut ini adalah algoritma untuk menghasilkan One-
Time Password
1. Ambil username saat login masukkan variable U
2. Ambil waktu saat user login masukkan variable
WM
3. Buat variabel r untuk operasi circular left shift 32
bit
4. For I from 0 to 63
5. K[i] ← floor(abs(sin(i+1))x2^32)
6. End for
7. Buat variable h0, h1, h2, h3 untuk nilai hash
8. Tambahkan nilai panjang semula ke dalam Tgl
yang telah dibeeri padding bits
9. Foreach 512 bit dari U+WM
10. Pecah menjadi 32 bit sebanyak 16 masukkan ke
variabel w
11. End foreach
12. Buat variabel a, b, c, d untuk inisialisasi
penyangga
13. For i from 0 to 63
14. If 0 ≤ I ≤ 15 Then
15. f ← (b and c) or ((not b) and d)
16. g←i
17. Else if 16 ≤ I ≤ 31 Then
18. f ← (d and b) or ((not d) and c)
19. g ←(5*i+1) mod 16 Gbr 23. Tampilan Layar Menu Login Mobile Token
20. Else if 32 ≤ I ≤ 47 Then
21. f ←b xor c xor d 4.2. Tampilan Layar Mobile Token OTP Dibangkitkan
22. g ←(3*i+5) mod 16 Apabila username dan password sesuai maka akan
23. Else if 48 ≤ i ≤ 63 Then menampilkan kode OTP beserta masa aktif dari kode OTP.
24. f ← c xor (b or (not d)) Pada Gbr 24 ini terdiri dari enam digit number yang merupakan
25. g ← (7 * i) mod 16 kode OTP dan digit angka yang menyatakan masa aktif OTP
26. End if yang bersatuan detik. Masa aktif kode OTP maksimal 60 detik.
27. End for Kode OTP akan berubah-ubah dengan sendirinya setiap 60
28. Temp ← d detik. Kode OTP inilah yang akan diisikan user ketika akan
29. d ←c masuk ke dalam sistem aplikasi web.
30. c ← b
31. b ← ((a+f+k(i)+w(g)leftrotater r(i)) + b
32. a←temp
33. Tambahkan nilai dengan penyangga, masukkan
ke variabel hasil

163

Gbr 24. Tampilan Layar Mobile Token Dibangkitkan
4.3. Tampilan Layar Menu Login Web
Apabila user memasukkan data username, password, dan
kode OTP lalu menekan buton login maka sistem akan
melakukan pengecekan apakah username dan password sesuai
dengan data yang tersimpan dalam databse. Sistem juga akan
membandingkan apakah kode OTP yang dimasukkan user
sama dengan OTP yang didapatkan dari perhitungan server
apabila hasilnya sama maka otentikasi berhasil. Menu login
web ditunjukkan pada Gbr 25
Gbr 25. Tampilan Layar Menu Login Web
V. KESIMPULAN
Berdasarkan hasil implementasi dan pengujian pada bab
sebelumnya, maka dapat diambil beberapa kesimpulan sebagai
berikut :
1) Penambahan kode OTP dapat mengamankan akses login
sistem dari teknik pencurian dari hacker selain itu
164
Jurnal TICOM Vol. 6 No.3 Mei 2018
penambahan One Time Password dapat menanggulangi
kemungkinan penyalahgunaan hak akses user karena
kode OTP yang digunakan user bersifat dinamis dan
hanya dapat digunakan satu kali otentikasi dengan batas
waktu tertentu.
2) Pengujian keamanan dari aplikasi yang telah dibuat
dengan menggunakan cara sniffing mendapatkan hasil
bahwa walaupun password berhasil disadap oleh orang
lain tetapi orang tersebut tidak dapat menggunakannya
kembali untuk mengakses sistem login.
DAFTAR PUSTAKA
[1] K. Imam dan E. Sediyono, “Studi Pengamanan Login
Pada Sistem Informasi Akademik Menggunakan
Otentifikasi One Time Password Berbasisis SMS
dengan Hash MD5,” J. Sist. Inf. Bisnis, vol. 01, hal. 7–
12, 2013.
[2] A. Shaugi, “Analisa Dan Perbandingan Hasil
Implementasi Algoritma Md5 Dan Sha-1 Pada Sistem
Keamanan Algoritma Md5 Dan Sha-1 Pada Sistem
Keamanan Autentikasi Simple-O,” UNIVERSITAS
INDONESIA, 2012.
[3] E. C. Simamora, “IMPLEMENTASI METODE
AUTENTIKASI ONE TIME PASSWORD (OTPA)
BERBASIS MOBILE TOKEN PADA APLIKASI
UJIAN ONLINE(STUDI KASUS: JURUSAN
MATEMATIKA FMIPA UNIKA),” Universitas
Lampung, 2012.
[4] K. I. Santoso, “Dua Faktor Pengamanan Login Web
Menggunakan Otentikasi One Time Password Dengan
Hash SHA,” Semin. Nas. Teknol. Inf. Komun. Terap.
2013, vol. 2013, no. November, hal. 204–210, 2013.
[5] K. I. Santoso, E. Sediyono, dan Suhartono, “Studi
Pengamanan Login Pada Sistem Informasi Akademik
Menggunakan Otentifikasi One Time Password
Berbasis SMS dengan Hash MD5,” J. Sist. Inf. Bisnis,
vol. 01, hal. 7–12, 2013.
[6] W. Sentosa, “Implementasi Token Berbasis Waktu
dengan Fungsi Hash untuk Mengotentikasi Transaksi
E-Banking,” 2016.
[7] R. Y. Astuti, “PENGAMANAN AKSES LOGIN
DESKTOP MENGGUNAKAN ONE TIME
PASSWORD BERDASARKAN TIME-BASED ONE
TIME PASSWORD DAN ADVANCED
ENCRYPTION STANDARD,” in Statewide
Agricultural Land Use Baseline 2016, 2016, vol. 1, hal.
1–68.
[8] J. J. Malik, BEST TOOLS HACKING & RECOVERY
PASSWORD, 1 ed. Yogyakarta: C.V ANDI
OFFSET(Penerbit ANDI), 2009.
[9] R. Munir, “Fungsi Hash Satu-Arah dan Algoritma
MD5 17,” hal. 0–17, 2004.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Membangun Sistem Berbudiluhur.com untuk

Crowdfunding dan Volunteering
Bruri Trya Sartana#1, Ririt Roeswidiah#2 , M. Hanif Rifa’i Istifarulah#3
#
Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
1brury@budiluhur.ac.id

2 ririt@budiluhur.ac.id

3istifarulah@gmail.com3

Abstrak — Menjadi seorang relawan merupakan tindakan
kemanusiaan yang sangat nyata. Banyak kalangan yang
tertarik untuk menjadi relawan, baik itu para anak muda
yang belum menamatkan pendidikan atau para orang
dewasa yang sudah sukses. Para relawan tidak hanya
ditempatkan di daerah bencana atau daerah konflik, tapi
juga ditempatkan di daerah yang tertinggal baik dari segi
fasilitas maupun segi Pendidikan. Masalah muncul ketika
informasi lokasi tempat dan aktivitas yang membutuhkan
bantuan sulit didapat, kurangnya platform yang
terintegrasi dengan sosial media dan belum adanya
platform untuk menampung SDM dan informasi kegiatan
sosial dalam satu wadah. Hal ini membuat donatur dan
relawan kesulitan dalam mencari aktivitas kegiatan sosial.
Sistem Berbudiluhur.com untuk Crowdfunding dan
Volunteering Menggunakan Unified Modeling Language
(UML) menjadi salah satu solusi untuk dapat menyebarkan
informasi tentang kegiatan sosial yang diharapkan
penyelenggara aktivitas dapat mencari relawan dalam
waktu yang relatif cepat untuk membantu dalam setiap
kegiatan serta pengarsipan data dapat dilakukan secara
efektif dan efisien sehingga memudahkan orang lain untuk
mengetahui informasi kegiatan sosial.
Kata kunci: Relawan, Crowd Funding, Donasi
Abstract —Being a volunteer is a very real act of humanity.
Many people are interested in volunteering. Volunteers are
not only placed in disaster areas or conflict areas, but also
placed in poor areas both in terms of facilities and education.
Problems arise when location information of places and
activities that need help is hard to come by, lack of platforms
integrated with social media and lack of platforms to
accommodate human resources and social activity
information in one place. This makes donors and volunteers
struggling to find social activities. Berbudiluhur.com System
for Crowdfunding and Volunteering is one solution to
disseminate information about social activities that
organizers are expected to be able to find volunteers in a
relatively quick time to assist in every activity and data
archiving can be done effectively and efficiently making it
easier for others to find out information on social activities.
Keywords: Volunteer, Crowd Funding, Donation
I. PEND AHULU AN
1.1. Latar Belakang
Menjadi seorang relawan merupakan tindakan
kemanusiaan yang sangat nyata. Banyak kalangan yang tertarik
untuk menjadi relawan, baik itu para anak muda yang belum
menamatkan pendidikan atau para orang dewasa yang sudah
sukses. Para relawan tidak hanya ditempatkan di daerah
bencana atau daerah konflik, tapi juga ditempatkan di daerah
yang tertinggal baik dari segi fasilitas maupun segi Pendidikan.
Indonesia memiliki banyak daerah rawan bencana. Badan
Penanggulangan Bencana (BNPB) mencatat ada 501
kabupaten/kota di Indonesia yang termasuk daerah rawan
bencana. Pada peta indeks daerah rawan bencana terdapat 396
kota/kabupaten di Indonesia yang termasuk ke daerah dengan
resiko tinggi bencana. Sedangkan 75 kota/kabupaten masuk
dalam kategori sedang dan 30 kota/kabupaten termasuk dalam
kategori rendah.
Universitas Budi Luhur adalah sebuah universitas swasta
di Jakarta,Indonesia. Universitas yang berdiri sejak 1 April
1979 ini berada di bawah naungan Yayasan Pendidikan Budi
Luhur - sekarang yayasan ini bernama Yayasan Pendidikan
Budi Luhur Cakti. Di Universitas Budi Luhur dalam
menyelenggarakan bantuan sosial ataupun menjadi relawan
sistemnya masih bersifat individual sehingga menimbulkan
beberapa masalah.
Selain itu banyak diluar sana orang maupun sekelompok
orang yang membutuhkan bantuan, namun tidak tahu ingin
membantu siapa dan dimana, maka dari itu Direktorat

165

Kemahasiswaan Karir dan Alumni Universitas Budi Luhur
ingin membuat sebuah sistem informasi berbasis web untuk
mewadahi para relawan-relawan tersebut untuk membantu
orang maupun sekelompok orang yang membutuhkan bantuan.
1.2. Tujuan
Tujuan dari penulisan ini tidak lain adalah untuk
memecahkan permasalahan yang ada, maka dirancang dan
dibangun sebuah Sistem Berbudiluhur.com untuk
Crowdfunding dan Volunteering dengan tujuan memudahkan
masyarakat termasuk mahasiswa dan alumni dalam mengetahui
informasi kegiatan sosial atau CSR. Mewadahi dan menerima
bantuan orang lain termasuk mahasiswa dan alumni untuk
kegiatan sosial. Mempermudah seseorang termasuk mahasiswa
dan alumni dalam mendaftar menjadi relawan dan
mempercepat proses dalam pembuatan laporan. Selain itu
diharapkan setelah adanya sistem ini diharapkan dapat
memberikan kemudahan kepada Universitas Budi Luhur serta
dengan sistem ini, relawan dan pemohon diharapkan dapat
dengan mudah mengakses informasi yang diperlukan termasuk
informasi mengenai relawan maupun pemohon.
1.3. Identifikasi Masalah
Universitas Budi Luhur memiliki masalah berkaitan dengan
CSR atau kegiatan sosial. Adapun permasalahan yang dihadapi
diantaranya mahasiswa sulit mendapatkan tempat pengabdian
masyarakat dikarenakan informasi lokasi tempat dan aktivitas
sulit didapat. Kegiatan CSR kurang tersosialisasi dengan baik
kepada mahasiswa atau alumni, dikarenakan kurangnya
platform yang terintegrasi dengan social media. Alumni belum
banyak yang menyumbang karena belum dibuat metode
keterlibatan alumni melalui aplikasi, hal ini menyebabkan
alumni sulit mendapatkan data sumbangan karena data
menyebar di fakultas. Belum adanya platform untuk
menghimpun informasi kegiatan sosial dan kegiatan sosial
kurang terkoordinir karena belum adanya platform untuk
menampung SDM dan informasi kegiatan sosial dalam satu
wadah. Donatur sulit mencari aktivitas kegiatan sosial karena
kurangnya informasi dari kampus.
II. TINJAUAN PUSTAKA
2.1. Konsep Sistem Informasi
Sistem Informasi adalah “suatu sistem di dalam suatu
organisasi yang mempertemukan kebutuhan pengolahan
transaksi harian yang mendukung fungsi operasi organisasi
yang bersifat manajerial dengan kegiatan strategis dari suatu
organisasi untuk dapat menyediakan kepada pihak luar tertentu
dengan laporan-laporan yang diperlukan.”[1]
2.2. Startup
Pada dasarnya Startup adalah pengimplementasian dari
business plan dimana segala sesuatu yang telah direncanakan
dan diproyeksikan dalam rencana bisnis dituangkan dan
direalisasikan dalam bentuk startup. “Startup is a company
designed to grow fast”[2].
166
Jurnal TICOM Vol. 6 No.3 Mei 2018
2.3. Crowdfunding
Crowdfunding adalah suatu praktik penggalangan dana
untuk berbagai jenis usaha, baik berupa ide produk, bisnis, atau
kegiatan, yang dananya diperoleh dari sumbangan masyarakat
banyak, dan sering kali memiliki suatu imbalan baik berupa
barang atau jasa [3].
2.4. Volunteering
Volunteering secara umum dianggap sebagai aktivitas
yang tidak mementingkan diri sendiri dimana individu atau
kelompok memberikan layanan tanpa keuntungan finansial,
untuk menguntungkan orang lain, kelompok atau organisasi
[4].
2.5. Studi Literatur
Penelitian yang dilakukan oleh (Perestroika dkk, 2013)
Mengusulkan pengembangan sistem informasi donasi
berdasarkan pada maraknya fenomena e-charity, online
fundrising atau donasi yang dilakukan via internet yang
terbilang cukup sukses meningkatkan kepekaan sosial di
masyarakat. Maka dikembangkanlah sebuah sistem informasi
untuk penggalangan donasi dan publikasi. Pengembangan
sistem informasi ini menerapkan konsep MVC (Model View
Controller). Sementara itu pengujian yang dilakukan adalah
pengujian fungsional yang berdasarkan pada model pengujian
white-box dan black-box.
Social Media & Internet: A Study In Start Up Companies
yang diteliti oleh (Simangunsong, 2016) dimaksudkan untuk
menyelidiki lebih lanjut masalah ini dan mendapatkan
pemahaman yang lebih baik tentang bagaimana internet,
khususnya media sosial, dapat benar-benar mempengaruhi
ekosistem dan operasi perusahaan startup. Sebuah penelitian
kuantitatif dengan menggunakan survei telah diterapkan dan
data kuesioner dikumpulkan dari 104 perusahaan startup. Hasil
analisis menunjukkan bahwa perusahaan startup telah mulai
menggunakan internet dan media sosial sebagai bagian integral
dari ekosistem bisnis mereka.
III.METODE PENELITIAN
3.1. Tahapan Penelitian
Berikut merupakan urutan langkah-langkah penelitian
dalam kegiatan analisa dan perancangan yang dilakukan di
Direktorat Kemahasiswaan Karir dan Alumni Universitas Budi
Luhur.
Gbr 1. Tahapan Penelitian
 Jurnal TICOM Vol. 6 No.3 Mei 2018

3.2. Metode Pengumpulan Data

Untuk menyelesaikan masalah yang ada di Universitas
Budi Luhur, maka penulis menggunakan beberapa metode
pengumpulan data dengan memperoleh keterangan dari sistem
berjalan saat ini, yaitu pertama dengan teknik wawancara,
pengumpulan data dilakukan dengan cara bertatap muka
langsung dengan mengajukan beberapa pertanyaan-pertanyaan
mengenai proses yang sedang berjalan kepada Direktur
Kemahasiswaan, Karir dan Alumni Universitas Budi Luhur.
Selanjutnya studi kepustakaan, penulis melakukan studi
kepustakaan dari berbagai buku serta referensi lain yang sesuai
dengan permasalahan yang diamati. Selain itu juga mencari
informasi tambahan melalui internet.

IV. HASIL D AN PEMB AHASAN

4.1. Ulasan Singkat Organisasi Gbr 3. Package View Use Case Sistem Berbudiluhur
Universitas Budi Luhur adalah perguruan tinggi yang
beralamat di Jl. Raya Ciledug, Jakarta Selatan dan didirikan
pada tanggal 1 April 1979. Universitas ini memiliki 5 fakultas
untuk jenjang Sarjana yaitu Fakultas Ilmu Komunikasi,
Fakultas Teknik, Fakultas Teknologi Informasi,
FakultasEkonomi Dan Bisnis serta Fakultas Ilmu Sosial
DanIlmu Politik. Untuk jenjang Pasca Sarjana ada Magister
Akuntansi, Magister Manajemen, Magister Ilmu Komunikasi
dan Magister Ilmu Komputer.
Filosofi dari perguruan tinggi ini adalah cerdas berbudi
luhur yang merupakan dua hal terpadu yang tidak terpisahkan,
kecerdasan tanpa dilandasi budi luhur cenderung digunakan
untuk membodohi dan mencelakakan orang lain, sebaliknya
budi luhur tanpa diimbangi kecerdasan merupakan sasaran
kejahatan dan penindasan orang lain.

4.2. Analisis Sistem Usulan

Pada tahap analisis sistem usulan dalam pengembangan
aplikasi ini akan diawali dengan penjelasan mengenai
kebutuhan berdasarkan tiap aktor yang terlibat. Terdapat empat
aktor yang terlibat di dalam sistem ini yaitu user, relawan, Gbr 4. Package Pemohon Use Case Sistem Berbudiluhur
pemohon dan administrator. Gambar 2 merupakan analisis
kebutuhan yang diperlukan yang dibuat dalam bentuk diagram
use case.

Gbr 2. Diagram Use CaseSistem Berbudiluhur

167

Gbr 5. Package User Use Case Sistem Berbudiluhur
Gbr 6. Package Laporan Use Case Sistem Berbudiluhur
168
Jurnal TICOM Vol. 6 No.3 Mei 2018
Gbr 7. Package Laporan Use Case Sistem Berbudiluhur
Gbr 8. Package Relawan Use Case Sistem Berbudiluhur
4.3. Perancangan Sistem Usulan
Untuk melakukan pemodelan data, penulis
membuatEntity Relationship Diagram (ERD). ERD adalah
sebuah representasi grafik dari sebuah sistem informasi yang
memperlihatkan relasi antara orang, objek, tempat, konsep atau
events dalam sistem tersebut, ERD adalah sebuah teknik data
modeling yang dapat membantu mendefinisikan proses bisnis
dan dapat digunakan sebagai fondasi untuk relasi database:
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Gbr 9. Entity Relationship Diagram (ERD)

ERD diatas merupakan rancangan database untuk

membangun Sistem Berbudiluhur, disini penulis membuat
rancangan database dari awal. Selanjutnya penulis membuat
struktur tampilan menu dengan menggunakan pendekatan
information architecture.

Gbr 11. Halaman Index

Gambar 12 merupakan halaman form login relawan yang
didalamnya juga memuat link untuk melakukan registrasi.
Desain layout untuk login pemohon sama dengan desain layout
halaman login relawan.

Gbr 10.. Struktur Menu

Setelah struktur menu selesai dibuat, selanjutnya penulis

membuat rancangan layar untuk digunakan dalam membangun
Sistem Berbudiluhur.

Gbr 12. Halaman Login Relawan

169

Gambar 13 merupakan rancangan layar dashboard
relawan, untuk desain layout dashboard pemohon hampir sama
di sisi sidebar dengan layout dashboard pemohon. Disini
penulis sangat memperhatikan UI/UX demi fungsionalitas
aplikasi namun tanpa mengorbankan kenyamanan pengguna
dan didesain agar menimbulkan kesan intuitive.
Gbr 13. HalamanDashboard Relawan
Gambar 14 merupakan halaman untuk membuat aktivitas
yang dapat dilakukan oleh pemohon.
Gbr 14. Halaman Buat Aktivitas oleh Pemohon
Gambar 15 merupakan halaman untuk mencari aktivitas
dan disertakan pula menu untuk pencarian.
Gbr 15. Halaman Cari Aktivitas
Gambar 16 merupakan halaman detil dari aktivitas, disini
relawan dapat mendaftarkan diri untuk didata keikutsertaannya
dalam sebuah aktivitas. Pada halaman ini terdapat pula form
untuk melakukan donasi dan melihat siapa saja yang telah
melakukan donasi beserta nominalnya, namun apabila relawan
tidak ingin diperlihatkan namanya, relawan dapat
170
Jurnal TICOM Vol. 6 No.3 Mei 2018
menyamarkan namanya dengan mengaktifkan menu anonim
yang telah disediakan.
Gbr 16. Halaman Detil Aktivitas
Gambar 17 merupakan halaman absensi yang dapat
diakses oleh pemohon, disini pemohon dapat melakukan
absensi untuk menentukan apakah relawan yang bersangkutan
dianggap hadir atau tidak dan pemohon juga dapat menyatakan
bahwa aktivitas telah selesai pada halaman ini..
Gbr 17. Halaman Absensi
Gambar 18 merupakan halaman rating, pada halaman ini
sesama relawan dapat memberikan rating didalan aktivitas
yang sama-sama diikuti dan telah dinyatakan selesai. Sesama
relawan juga dapat melihat profile satu sama lain.
Gbr 18. Halaman Profiledan Rating
Gambar 19 merupakan halaman dashboard
administrator, disini administrator dapat melakukan validasi
aktivitas dan donasi. Administrator juga dapat melakukan
aktivasi maupun menonaktifkan akun relawan dan pemohon,
terdapat juga menu untuk membuat laporan yang dibutuhkan.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Donatur dapat dengan mudah mengetahui informasi

kegiatan sosial setelah dibuatnya Sistem Berbudiluhur.com.

5.2. Saran
Sebagai bahan pertimbangan atau masukan guna
memperbaiki, maka saran–saran yang dapat dijadikan acuan
sebagai bahan koreksian pada Direktorat Kemahasiswaan,
Karir dan Alumni Universitas Budi Luhur :
· Melakukan back-up database cara berkala untuk
menjaga dari hal-hal yang tidak diinginkan.
Gbr 19. Halaman Dashboard Administrator
· Menjalankan prosedur dengan baik dan benar dalam
penggunaan Sistem Berbudiluhur yang penulis
sarankan terutama dalam hal pengentrian data harus
V. PENUTUP lebih diperhatikan agar tidak terjadi kesalahan
memasukkan data.
5.1. Kesimpulan
· Jika sistem yang terprogram ini diterapkan,
Menghadapi permasalahan yang dihadapi dan juga
diharapkan dapat dilakukan perawatan dan
solusi yang ditawarkan, maka dapat ditarik kesimpulan sebagai
pemeliharaan pada sistem ini.
berikut :
· Perlu adanya personil yang terlatih dan bertanggung
Dengan dibuatnya Sistem Berbudiluhur.com para
jawab atas data-data yang dimasukkan kedalam sistem
relawan yang ingin membantu dapat terwadahi dan orang -
terkomputerisasi ini.
orang yang membutuhkan bantuan dapat dengan cepat dibantu
oleh para relawan.
Pemohon dapat dengan cepat dan mudah dalam
menyebarkan informasi untuk mengadakan berbagai aktivitas DAFTAR PUSTAKA
CSR atau kegiatan sosial yang dapat dibagikan ke sosial media
[1] Sutabri, Tata., 2012, Analisis Sistem Informasi.
menggunakan Sistem Berbudiluhur.com.
Yogyakarta: Penerbit Andi
Setelah Sistem Berbudiluhur.com dibuat, kegiatan
sosial dapat dengan mudah dipublikasi dan para relawan dapat [2] Graham, P., 2012, Want to start a startup?, diakses 7
dengan cepat mendapatkan informasi kegiatan sosial sesuai Januari 2018,
https://www.paulgraham.com/growth.html
dengan minat dan keahlian mereka masing-masing serta
[3] Young, T. E., 2012, The Everything Guide to
informasi donasi yang didapat ditampilkan secara transparan.
Crowdfunding: Learn how to use social media for
Dengan dibuatnya Sistem Berbudiluhur.com pada
small-business funding, Avon, MA, United States of
Direktorat Kemahasiswaan, Karir dan Alumni Universitas Budi
America: Adams Media.
Luhur ini diharapkan penyelenggara aktivitas dapat mencari
[4] Wilson, John., 2000, Volunteering, Annual Review of
relawan atau donatur dalam waktu yang relatif cepat untuk
membantu setiap kegiatannya dan pengarsipan data dapat Sociology 26.
dilakukan secara efektif dan efisien sehingga memudahkan
orang lain untuk mengetahui informasi kegiatan sosial.

171
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Diagnosis Smear-Negative Pulmonary Tuberculosis:

Studi Pendahuluan
Rusdah#1 , Nidya Kusumawardhany#2
#
Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
1rusdah@budiluhur.ac.id

2nidya.kusumawardhany@budiluhur.ac.id

Abstrak — Tuberkulosis adalah penyakit manusia tertua
dengan tingkat kematian tertinggi di antara penyakit
menular. Indonesia merupakan salah satu dari 22 negara
dengan beban TB tertinggi di dunia. Diagnosis TB sulit,
terutama pada kasus dengan jumlah kuman sedikit
(Paucibacillary TB), kasus pasien anak, dan kasus TB paru
BTA-negatif. Selain itu, beberapa gejala tuberkulosis
memiliki kesamaan tidak hanya dengan kanker paru-paru
tetapi juga dengan penyakit lainnya. Situasi ini akan
menyebabkan keterlambatan diagnosis yang tepat dan
pengobatan yang tidak sesuai. Akhirnya, orang yang
menerima pengobatan yang tidak memadai lebih rentan
dalam menimbulkan TB-Multidrug Resistant. Penelitian
ini merupakan studi pendahuluan yang bertujuan untuk
mengetahui variabel input dan metode klasifikasi dengan
tingkat akurasi tertinggi dalam model diagnosis smear-
negative pulmonary tuberculosis. Model ini sesuai dengan
panduan penatalaksanaan tuberkulosis di Indonesia.
Model tersebut dapat mengurangi jumlah pasien under-
diagnose atau over-treat. Data diperoleh dari rekam medis
pasien tuberkulosis dari Jakarta Respiratory Center.
Setelah dilakukan kegiatan preprocessing data dan
beberapa percobaan feature selection diperoleh jumlah
variabel input optimal yang dapat meningkatkan performa
classifier. Beberapa teknik klasifikasi, seperti C4.5, Naive
Bayes, Bayesian Network, KNN dan SVM, dieksplorasi
dalam rangka meningkatkan kinerja model. Hasil
eksplorasi menunjukkan bahwa KNN mampu memberikan
akurasi tertinggi yaitu sebesar 98,7% pada dataset hasil
dari proses feature selection. Proses diskritisasi pada
atribut Dahak Awal tidak meningkatkan akurasi classifier
secara signifikan.
Indonesia is one of 22 countries with the highest TB burden
in the world. TB diagnosis is difficult, especially in cases with
small numbers of bacteria (Paucibacillary TB), pediatric
patients, and smear-negative pulmonary TB. In addition,
some symptoms of tuberculosis have similarities not only with
lung cancer but also with other diseases. This situation will
lead to delays in proper diagnosis and inappropriate
treatment. Finally, people who receive inadequate treatment
are more vulnerable in causing TB-Multidrug Resistant. This
study is a preliminary study that aims to determine input
variables and classification methods with the highest
accuracy in the model of smear-negative pulmonary
tuberculosis diagnosis. This model is in accordance with
tuberculosis management guidelines in Indonesia. The model
can reduce the number of under-diagnosed or over-treated
patients. Data are obtained from medical records of
tuberculosis patients from the Jakarta Respiratory Center.
After data preprocessing and feature selection experiments
were carried out, the number of optimal input variables can
improve the classifier performance. Several classification
techniques, such as C4.5, Naive Bayes, Bayesian Network,
KNN, and SVM, were explored to improve model
performance. The exploration results show that the KNN can
provide the highest accuracy of 98.7% in the dataset resulting
from the feature selection process. The discrete process on
Early Diagnosis attributes does not significantly improve
classifier accuracy.
Keywords: Tuberculosis (TB), smear-negative pulmonary
tuberculosis (SNPT), Naive Bayes, Bayesian Network, KNN,
SVM.

Kata Kunci : Tuberkulosis (TB), smear-negative pulmonary I. PEND AHULU AN

tuberculosis (SNPT), Naive Bayes, Bayesian Network,
KNN, SVM.
Abstract — Tuberculosis is the oldest human disease with
the highest mortality rate among infectious diseases.
Tuberkulosis (TB) merupakan salah satu ancaman terbesar
dunia. Dalam laporan WHO [1], tahun 2014 terdapat 9.6 juta
kasus TB baru, dan 10% diantaranya terjadi di Indonesia.
Indonesia merupakan satu dari 22 negara dengan beban TB

172

tertinggi di dunia [1]. Dalam Pedoman Nasional Pengendalian
Tuberkulosis Indonesia, dilaporkan bahwa salah satu penyebab
meningkatnya beban TB adalah kegagalan program TB. Salah
satu penyebab kegagalan ini adalah karena penemuan kasus
atau diagnosis TB yang tidak standar dan tidak memadainya
tatalaksana diagnosis [2].
Penelitian terdahulu menyatakan bahwa diagnosis TB sulit
dilakukan [3], [4]. Pertama, karena gejala TB, seperti demam,
batuk, batuk berdahak, batuk berdarah dan penurunan berat
badan, mirip dengan gejala kanker paru [5], pneumonia [6], dan
juga Infeksi Saluran Pernafasan Akut (ISPA), asma serta
Penyakit Paru Obstruksi Kronis (PPOK) [7]. Kedua, pada
pasien anak dikarenakan gambaran klinis TB tidak spesifik dan
foto paru sulit diinterpretasi [8] dan dahak sulit didapat [1].
Ketiga, pada kasus jumlah kuman yang sedikit (paucibacillary
TB) [8], [9]. Keempat, pada kasus TB ekstra paru (extra
pulmonary TB) karena pasien seringkali tidak menunjukkan
gejala TB [10]–[12]. Kelima, pada pasien yang positif HIV,
hasil chest radiography bisa jadi atypical karena infeksi lainnya
[13]. Keenam, pada kasus TB paru BTA negatif (Smear-
Negative Pulmonary Tuberculosis, disingkat SNPT) [14]–[17].
Diagnosis TB paru dengan BTA negatif dan kultur positif
dapat ditegakkan dengan kultur dahak, tetapi memerlukan 6
sampai 8 minggu. Selain itu, peralatan untuk kultur jarang
ditemui di negara berkembang [1], [14], [17], sehingga
penggunaan kultur terbatas dan jarang disarankan. Metode
seperti nucleid acid amplication tests, dapat memberikan hasil
yang lebih cepat, namun memerlukan biaya tinggi dan
peralatannya tidak banyak ditemukan di negara berkembang.
Sehingga pada kondisi terbatasnya peralatan, diagnosis SNPT
ditegakkan dengan gejala, hasil pemeriksaan fisik dan hasil
pemeriksaan penunjang (minimal dengan pemeriksaan chest
radiography, disingkat CXR). Namun hasil pemeriksaan CXR
antara tuberkulosis aktif dan tidak aktif sulit untuk dibedakan.
Untuk itu sangat diperlukan diagnosis akhir yang tepat untuk
mengurangi biaya dan kemungkinan terjadinya kasus
underdiagnose dan overtreat [5], [17].
Dalam penelitian sebelumnya, diagnosis tuberkulosis telah
dilakukan dengan menggunakan beberapa jenis input. Input-
input tersebut antara lain berupa citra digital dari sampel
jaringan [18], [19], citra kuman TB [16], [20], aroma sputum
dengan electronic nose [21], suara batuk [22], gelombang suara
paru [23], [24], data rekam medis [9], [25], [26] dan darah [27].
Sayangnya, citra digital dari sampel jaringan sulit didapat
karena mahal dan memerlukan peralatan yang tidak dimiliki
oleh setiap layanan kesehatan di negara berkembang [28].
Demikian pula halnya dengan citra bakteri TB. Data berupa
citra bakteri TB diperoleh dengan menggunakan mikroskop
fluoresensi digital [29]. Aroma sputum, suara batuk,
gelombang suara paru dan darah bukan merupakan standar
penemuan kasus dan diagnosis TB [2]. Fokus penelitian ini
adalah menggunakan data rekam medis sebagai input untuk
diagnosis TB. Selain karena data rekam medis mudah didapat
dan murah, data rekam medis juga sesuai dengan standar
penemuan kasus dan diagnosis TB.
173
Jurnal TICOM Vol. 6 No.3 Mei 2018
Menurut Pedoman dan Penatalaksanaan Tuberkulosis
Indonesia [2], proses diagnosis TB diawali dengan Penemuan
Suspek TB (TB screening) menggunakan data gejala dan
pemeriksaan fisik. Kemudian dilakukan pemeriksaan dahak
(mikroskopis langsung) untuk menghasilkan diagnosis akhir.
Bila hasil pemeriksaan mikroskopis positif, maka pasien
terdiagnosis TB Paru BTA positif. Bila hasil pemeriksaan
mikroskopis negatif, maka dilakukan pemeriksaan penunjang
tambahan, minimal dengan pemeriksaan foto toraks untuk
menentukan apakah pasien terdiagnosis TB Paru BTA negatif
[2].
Penelitian sebelumnya yang menggunakan data rekam medis
sebagai input untuk mendiagnosis akhir diantaranya dilakukan
oleh El-solh dkk. [30], Mello dkk. [14], Bakar dan Febriyani
[31], Santos dkk. [32], [33], Er dkk. [34], Benfu dkk. [15],
Elveren dan Yumusak [35], Uçar dan Karahoca [25], Aguiar
dkk. [36], Nesredin [9] dan Uçar dkk. [26].
Penelitian ini merupakan studi pendahuluan yang bertujuan
untuk mengetahui jumlah variabel input dan metode klasifikasi
dengan tingkat akurasi tertinggi dalam model diagnosis SNPT.
Model ini menggunakan input berupa data rekam medis dari
JRC-PPTI Pusat. Output dari model ini adalah hasil akhir
diagnosis seorang pasien, apakah terdiagnosis TB Paru, TB
Paru Klinis (BTA negatif) atau bukan TB. Pada model ini, data
yang digunakan adalah gejala, pemeriksaan fisik dan
pemeriksaan penunjang berupa pemeriksaan dahak dan CXR.
Mello [14] menunjukkan bahwa prediksi SNPT dapat
dilakukan hanya dengan menggunakan input berupa data klinis
dan chest radiograph. Sayangnya sensitifitas masih rendah,
yaitu antara 64-71% dan spesifitas antara 58-76%. Sehingga,
menurut Santos dkk. [33], diperlukan metode baru untuk
mendiagnosis SNPT. Dalam penelitiannya tersebut, Santos
dkk. [33] juga menyatakan bahwa diperlukan variabel
tambahan untuk mendiagnosis SNPT, seperti CXR. Berbeda
dengan penelitian Aguiar dkk. [36], penelitian ini tidak
memerlukan informasi apakah seorang pasien terinfeksi HIV
atau tidak.
II. PENELITIAN TERD AHULU
A. Preprocessing
Teknik preprocessing data tuberkulosis yang telah dilakukan
oleh beberapa penelitian terdahulu, diantaranya adalah reduksi
data yang dilakukan dalam penelitian Nesredin [9]. Dari 26
atribut, peneliti memilih secara manual 13 atribut.
Missing Value
Metode yang paling populer adalah mengisi missing value
dengan nilai yang paling memungkinkan. Beberapa metode
penanganan missing value untuk data tuberkulosis yang telah
dilakukan adalah dengan mensubstitusikan missing value
dengan nilai mean dari atribut kelas [30], diisi dengan null [37]
dan diisi secara manual oleh ahli [9].

Normalisasi
Penelitian yang menerapkan teknik normalisasi pada data
tuberkulosis diantaranya dilakukan dengan membuat skala
dengan interval antara 0 dan 1 pada semua variabel independen
[30] dan dengan metode min-max untuk menormalisasikan 29
atribut kualitatif dengan 291 data pasien SNPT [15].
Diskritisasi
Diskritisasi adalah membagi nilai kontinyu sebuah atribut
menjadi beberapa interval [38]. Penelitian yang menggunakan
data tuberkulosis menerapkan metode diskritisasi seperti
aplikasi rough set menggunakan ROSETTA [31], Equal size
discretization dengan min-max limit [39], metode binning pada
atribut usia dan berat badan [9] dan MDL-based discretization
method [26].
B. Seleksi Atribut (Feature Selection)
Seleksi atribut digunakan untuk mengidentifikasi dan
mengurangi jumlah atribut yang tidak relevan dan informasi
yang redundan sebanyak mungkin. Dengan demikian akan
mengurangi dimensi data sehingga memungkinkan algoritma
berjalan lebih cepat dan lebih efektif. Beberapa metode yang
digunakan diantaranya algoritma information gain, gain ratio,
correlation based Feature Selection (CSF) [38] dan rough set
[40].
Penelitian sebelumnya telah menerapkan beberapa metode
seleksi atribut pada data tuberkulosis. Pertama, dengan cara
ditentukan oleh ahli [33]. Jumlah atribut yang dihasilkan adalah
12 dari 26 atribut. Kedua, metode multiple logistic regression
dengan backward elimination [14]. Ketiga, metode single
factor logistic regression digunakan untuk menghasilkan 29
atribut dari 46 atribut pada data pasien SNPT[15]. Keempat,
metode information gain ranking filter menggunakan fungsi
WEKA digunakan untuk menghasilkan 20 atribut dari 30
atribut [25], [26]. Kelima, dengan memanfaatkan fungsi ranked
method pada WEKA. Dari total 26 atribut, dilakukan reduksi
data dengan memilih 13 atribut secara manual oleh peneliti [9].
C. Penentuan Data Training dan Testing
Beberapa teknik penentuan data training dan testing yang
digunakan oleh peneliti sebelumnya adalah dengan membagi
80% - 20% secara acak [32] dan dengan teknik k-fold cross-
validation dimana k=3 digunakan dalam penelitian Er dkk.
[34], k=6 digunakan Santos dkk. [33] dan k=10 digunakan
dalam El-Solh [30] dan Nesredin [9].
D. Variabel Input
Dari hasil studi literatur Rusdah dan Winarko [41], diketahui
bahwa variabel yang sering digunakan dalam mendiagnosis
penyakit tuberkulosis secara berturut-turut adalah usia,
berkeringat dimalam hari, batuk lebih dari 3 minggu, demam,
penurunan berat badan, dan nyeri dada. Hal tersebut sesuai
dengan beberapa literatur dan panduan penatalaksanaan TB di
174
Jurnal TICOM Vol. 6 No.3 Mei 2018
Indonesia [42]. PDPI [42] menyebutkan bahwa gejala TB Paru
adalah batuk lebih dari 2 minggu, batuk berdarah, sesak napas,
nyeri dada (gejala respiratorik), demam, malaise, keringat
malam, anoreksia, dan berat badan menurun (gejala sistemik).
Beberapa peneliti sebelumnya menggunakan gejala sistemik
dan respiratori serta hasil radiografi [14], [15], [26], [30], [36],
[43], [39], [44], [37], pemeriksaan HIV [9], [33], [43], [39],
[44], [37], pemeriksaan dahak [14], [31], [33], [35], [43], [39],
[37], [45], [46] dan faktor-faktor sosial seperti status ekonomi
dan hubungan internasional [47].
E. Metode Diagnosis Tuberkulosis
Beberapa penelitian dilakukan untuk mengetahui metode
dengan akurasi terbaik dalam mendiagnosis tuberkulosis.
Diantaranya, penelitian dengan menggunakan metode General
Regression Neural Network (GRNN) dalam mendiagnosis TB
menghasilkan akurasi sebesar 92,3% [30]. El-Solh dkk
mengklaim bahwa penelitiannya merupakan penelitian pertama
yang menggunakan neural network dalam mendiagnosis TB.
Kemudian pada tahun 2007 dilakukan penelitian untuk
mendiagnosis TB dengan metode Multi Layer Neural Network
(MLNN) dengan bakcpropagation yang memiliki akurasi
sebesar 77% [33]. Kemudian Er dkk. [34] melakukan penelitian
dengan mengeksplorasi metode MLNN dengan algoritma
Backpropagation with Momentum (BPwM) dan Levenberg-
Marquardt (LM). Mereka melakukan beberapa percobaan,
yaitu menggunakan MLNN dengan algoritma BPwM dengan
satu hidden layer menghasilkan akurasi 93.04 % dan dengan
dua hidden layer menghasilkan akurasi 93.93 %. Kemudian
mereka gunakan MLNN dengan algoritma LM dengan satu
hidden layer menghasilkan akurasi 93.42 % dan dengan dua
hidden layer menghasilkan akurasi 95,08%.
Komparasi hasil penelitian juga dilakukan dalam Elveren
dan Yumuşak [35]. Pada penelitian tersebut digunakan metode
MLNN dengan Genetic Algorithm. Hasil penelitiannya
menunjukkan bahwa akurasi metode MLNN dengan GA, yaitu
sebesar 94,88%, lebih tinggi daripada akurasi metode MLNN
dengan algoritma BPwM menggunakan dua hidden layer pada
penelitian Er dkk. [34], yaitu 93.93 %. Kemudian, pada tahun
yang sama, Asha dkk. [37] melakukan komparasi berbagai
metode lazy modeling, Bayesian Modeling, Meta Modeling,
Tree Classifier dan SVM. Hasilnya menunjukkan bahwa
metode SVM memberikan hasil akurasi tertinggi yaitu sebesar
98,7% dibandingkan dengan metode lain.
Penelitian sebelumnya yang menggunakan data rekam medis
sebagai input untuk menemukan pasien TB paru kasus baru (TB
screening) telah dilakukan oleh Asha dkk. [43], [44], [37]
Metode yang digunakan adalah komparasi metode lazy
modeling, Bayesian Modeling, Meta Modeling, Tree Classifier
dan SVM [37], dan metode ensemble [43], [44].
Untuk mendiagnosis akhir, Penelitian sebelumnya yang
menggunakan data rekam medis sebagai input diantaranya
dilakukan oleh El-solh dkk. [30], Mello dkk. [14], Bakar dan
Febriyani [31], Santos dkk. [32], [33], Er dkk. [34], Benfu dkk.

[15], Elveren dan Yumusak [35], Uçar dan Karahoca [25],
Aguiar dkk. [36], Nesredin [9] dan Uçar dkk. [26].
III.M ETODE PENE LITIAN
A. Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data rekam
medis pasien klinik JRC-PPTI Pusat tahun 2010 – 2014, yang
tidak memuat informasi apakah pasien terinfeksi HIV atau
tidak. Rekam medis yang dijadikan sampel adalah rekam medis
pasien umum dan pasien TB Paru kasus baru dengan kategori
usia minimal 15 tahun; mengikuti program DOTS; dan tidak
sedang dalam masa pengobatan. Dengan kata lain, pasien sudah
dinyatakan sembuh (untuk pasien dengan BTA positif), atau
pengobatan lengkap (untuk pasien dengan BTA negatif);
Data rekam medis dalam bentuk hardcopy kemudian diinput
secara manual kedalam format Excel. Setiap data rekam medis
direpresentasikan menjadi sebuah record. Atribut data pasien
yang akan diinput, dipilih berdasarkan arahan dari tim dokter
JRC-PPTI. Total data yang terkumpul terdiri atas 1122 record
dengan 17 atribut.
B. Preprocessing
Kegiatan preprocessing dalam penelitian ini meliputi (1)
reduksi data, (2) transformasi data dengan melakukan
generalisasi atribut pada 2 (dua) atribut kelas, yaitu Diagnosis
Akhir dan Diagnosis Awal, dan (3) diskritisasi untuk data
kategorikal.
C. Seleksi Atribut
Pada tahapan ini akan dilakukan pemilihan atribut untuk
menentukan jumlah atribut yang tepat dalam menghasilkan
diagnosis akhir. Teknik seleksi atribut yang akan digunakan
adalah filter method, yaitu dengan menggunakan information
gain [25], [26]. Information gain bertujuan melakukan
pengurutan atribut berdasarkan peringkat (rank) dimana
semakin besar nilai information gain dari suatu atribut maka
semakin signifikan atribut tersebut dalam menentukan hasil
prediksi. Selain itu, dilakukan eksplorasi wrapper method
untuk seleksi atribut [48]. Penentuan data training dan data
testing dilakukan dengan menggunakan k-fold cross validation
dengan k bernilai 10 seperti yang dilakukan dalam Nesredin
[9].
D. Klasifikasi Diagnosis Smear-Negative Pulmonary
Tuberculosis
Dataset yang setelah melalui seleksi atribut akan dilatih
dengan beberapa metode seperti C4.5, KNN, Bayesian
Network, Naive Bayes dan Support Vector Machine
menggunakan k-fold cross validation dengan k bernilai 10
seperti yang dilakukan dalam Nesredin [9]. Hasil klasifikasi
berupa 3 kelas, yaitu TB Paru, TB Paru Klinis dan Non TB.
175
Jurnal TICOM Vol. 6 No.3 Mei 2018
E. Metode Pengujian Hasil Klasifikasi Model
Pengujian dilakukan pada hasil klasifikasi dari model
diagnosis SNPT. Data uji yang akan digunakan berjumlah 301
record, terdiri dari 100 record data pasien dengan BTA (+), 100
record data pasien BTA (-) hasil akhir TB Paru, dan 101 record
data pasien BTA (-) hasil akhir Non TB. Pada klasifikasi multi-
class, nilai akurasi, presisi dan sensitifitas dapat dihitung
dengan menggunakan rata-rata nilai akurasi, presisi dan
sensitifitas pada setiap kelas. Berikut adalah persamaan untuk
menghitung nilai akurasi (Persamaan (1)), presisi (Persamaan
(2)) dan sensitifitas (Persamaan (3)) pada klasifikasi multi-class
[49].
+
∑ (1)
+ + +
= × 100%
∑
= × 100% (2)
∑ ( + )
∑
= × 100% (3)
∑ ( + )
Dimana, TP (True Positive) menyatakan jumlah record yang
diklasifikasikan Benar dan pada kenyataannya memang Benar.
FN (False Negative) menyatakan jumlah record yang
diklasifikasikan Salah tetapi pada kenyataannya Benar. FP
(False Positive) menyatakan jumlah record yang
diklasifikasikan Benar tetapi pada kenyataannya Salah. TN
(True Negative) menyatakan jumlah record yang
diklasifikasikan Salah dan pada kenyataannya Salah. l adalah
jumlah kelas.
IV. HASIL DAN PEMB AHASAN
A. Preprocessing
Kegiatan preprocessing yang dilakukan adalah reduksi data
dan diskritisasi pada atribut kategorikal. Berikut adalah
penjelasannya.
B. Reduksi Data
Dari 1122 data rekam medis pasien, terdapat 49 record data
pasien umum dengan diagnosis akhir Non TB. Data pasien
umum dihapus karena tidak memiliki data hasil pemeriksaan
dahak dan CXR. Sehingga data yang digunakan pada tahap 3
berjumlah 1073 record, terdiri atas 266 (24,8%) pasien dengan
BTA positif dan 807 (75,2%) pasien dengan BTA negatif.
Diantara 807 pasien BTA negatif, terdapat 358 (44,4%) pasien
dengan diagnosis akhir TB Paru Klinis dan 449 (55,6%)
merupakan pasien dengan diagnosis akhir Non TB.
C. Generalisasi Atribut
Generalisasi dilakukan pada atribut kelas Diagnosis Awal
dan Diagnosis Akhir. Atribut Diagnosis Awal dan Diagnosis
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Akhir dari rekam medis dikelompokkan berdasarkan kelompok dengan peringkat tertinggi adalah Dahak Awal, hal ini sesuai
penyakit yang telah ditetapkan oleh Dinas Kesehatan. Atribut dengan alur diagnosis TB orang dewasa dalam Pedoman
Diagnosis Awal kemudian digeneralisasikan menjadi 3 (tiga) Nasional Pengendalian Tuberkulosis Indonesia [2].
kelas, yaitu TB Paru, Non TB, dan TB Ekstra Paru. Atribut Berdasarkan jumlah atribut yang ditentukan dengan nilai
Diagnosis Akhir digeneralisasikan menjadi 3 (tiga) kelas yaitu rank >=0,05 dan >=0,1 maka dapat disimpulkan bahwa
TB Paru, TB Paru Klinis dan Non TB. information gain menghasilkan atribut yang lebih sedikit
Kelas TB Paru mencakup diagnosis TB Paru. Kelas Non TB dibandingkan dengan gain ratio.
mencakup diagnosis Asma, Bronkhitis, Diabetes Melitus TABEL I
(DM), Dispepsia, Hipertensi, Infeksi Saluran Kemih (ISK), D A TASET H AS IL FEA T URE SELECT ION MEN GG UN AK A N FILTER MET HO D
Infeksi Saluran Pernapasan Atas (ISPA), Limfadenitis,
Penyakit Jantung, Penyakit Kulit, Pneumonia, Penyakit Lain Filter
Dataset Atribut
Method
pada Saluran Pernapasan, Penyakit Lain pada TB, Psikosa,
Information Dahak Awal, Diagnosis Awal,
Tumor Jinak Mammae, Typhoid. Kelas TB Ekstra Paru Gain dengan RO Awal, Batuk berdahak,
mencakup diagnosis TB Ekstra Paru (EP) dan Limfadenitis TB. RM3_IG9 nilai rank >= Penurunan BB, Penurunan
Selain itu, pada atribut Tambahan, terdapat tujuh record 0,05 Nafsu Makan, Keringat Malam,
penyakit lain digeneralisasi menjadi Tidak ada. Penyakit Lama Batuk
tersebut adalah GERD, CA, PPOK, decoin masing-masing satu Information
record dan pneumonia tiga record. Gain dengan Dahak Awal, Diagnosis Awal,
RM3_IG4
nilai rank >= RO Awal, Batuk berdahak
D. Diskritisasi 0,1
Diskritisasi dilakukan pada atribut kategorikal yaitu Lama Gain Ratio Dahak Awal, Diagnosis Awal,
Batuk. Salah satu standar diagnosis tuberkulosis yang telah dengan nilai RO Awal, Batuk berdahak,
RM3_GR10 rank >= 0,05 Penurunan BB, Penurunan
ditetapkan dalam International Standard for Tuberculosis Care
Nafsu Makan, Keringat Malam,
(ISTC), adalah setiap individu dengan batuk produktif selama Lama Batuk, Tambahan
2-3 minggu atau lebih yang tidak dapat dipastikan penyebabnya Gain Ratio Dahak Awal, Diagnosis Awal,
harus dievaluasi untuk tuberculosis [7], [42]. RM3_GR6 dengan nilai RO Awal, Batuk berdahak,
Beberapa peneliti sebelumnya mendiskritasi Lama Batuk rank >= 0,1 Penurunan BB
menjadi >3 Minggu dan <=3 Minggu [14], [31], [36]; serta <2
minggu dan >=2 minggu [13], [50]. Dalam ISCT, disampaikan Percobaan berikutnya menggunakan wrapper method pada
bahwa penelitian di India menunjukkan bahwa penggunaan Dataset RM3. Dataset yang terbentuk disajikan pada Tabel 2.
threshold >=2 minggu dapat meningkatkan identifikasi jumlah Dataset RM3_W4 terdiri atas empat atribut (termasuk atribut
kasus TB sebesar 46% bila dibandingkan dengan threshold >3 kelas Diagnosis Akhir) dan akan menghasilkan akurasi terbaik
minggu. Penentuan threshold lama batuk dapat disesuaikan bila diklasifikasi menggunakan C4.5 dan SVM. Dataset
dengan kondisi lingkungan [7]. Untuk kasus TB di Indonesia, RM3_W5 terdiri atas lima atribut dan akan menghasilkan
yang termasuk 16 negara dengan beban TB tertinggi di dunia, akurasi terbaik bila diklasifikasi menggunakan Naive Bayes
maka lama batuk didiskritisasi menjadi <2 minggu dan >=2 dan Bayesian Network. Sedangkan RM3_W6 terdiri atas enam
minggu. Hal ini sesuai dengan Pedoman Nasional Pengendalian atribut dan akan menghasilkan akurasi terbaik bila diklasifikasi
Tuberkulosis Indonesia [2]. menggunakan KNN.
Diskritisasi juga dilakukan pada atribut kategorikal yaitu
TABEL III
Dahak Awal. Atribut Dahak Awal akan didiskritisasi menjadi 5 D A TASET H AS IL FEA T URE SELECT ION MEN GG UN AK A N WRA PPER METHO D
(lima) kelas, yaitu Negatif, 1-9BTG, +1, +2 dan +3. Diskrititasi
ini didasarkan pada skala International Union Against Dataset Classifier Atribut
Tuberculosis dan Lung Disease (IUATLD). Terdapat 28 record
yang dikategorikan menjadi 1-9BTG. Diagnosis Awal, RO_Awal,
RM3_W4 C4.5, SVM Dahak Awal dan Diagnosis
E. Feature Selection Akhir
Pada tahapan ini dilakukan percobaan untuk mengetahui Naive Bayes, Batuk Berdahak, Diagnosis
RM3_W5 Bayesian Awal, RO_Awal, Dahak Awal
atribut mana yang paling berperan dalam menentukan diagnosis
Network dan Diagnosis Akhir
akhir. Feature selection (FS) dilakukan dengan filter dan Batuk Berdahak, Batuk Darah,
wrapper method menggunakan aplikasi WEKA. Filter method Diagnosis Awal, RO_Awal,
yang digunakan adalah information gain dan gain ratio. Hasil RM3_W6 KNN
Dahak Awal dan Diagnosis
percobaan dengan filter method disajikan pada Tabel 1. Akhir
Pada Tabel 1 terlihat bahwa proses seleksi atribut pada
dataset asli yaitu RM3 yang terdiri atas 17 atribut menghasilkan Bila dibandingkan antara atribut pada dataset hasil proses
empat dataset menggunakan information gain (RM3_IG9 dan seleksi atribut pada Tabel 1 dan Tabel 2, dapat dilihat bahwa
RM3_IG) dan gain ratio (RM3_GR10 dan RM3_GR6). Atribut

176
 Jurnal TICOM Vol. 6 No.3 Mei 2018

wrapper method menghasilkan atribut dengan jumlah yang Akurasi

lebih sedikit. Dataset Classifier Dengan Dengan Wrapper &
Wrapper diskritisasi
F. Hasil Eksplorasi Beberapa Classifier RM3_W4 C4.5 98,56% 98,60%
Pada sub bab ini dilakukan beberapa percobaan klasifikasi RM3_W5
dengan dataset yang dihasilkan pada proses seleksi atribut. Naive Bayes 98,51% 98,58%
Classifier yang digunakan adalah C4.5, Bayesian Network, Bayesian
RM3_W5 98,51% 98,60%
Naive Bayes, SVM, dan KNN. Perbandingan akurasi dengan Network
menggunakan dataset hasil seleksi atribut menggunakan filter RM3_W4 SVM 98,60% 98,60%
method dirangkum dalam Tabel 3 dan wrapper method pada RM3_W6 KNN 98,70% 98,79%
Tabel 4.
Pada awalnya dilakukan percobaan dengan menggunakan 17
atribut pada RM3 yang diklasifikasi dengan C4.5, Naive Bayes, Kemudian pada percobaan berikutnya, digunakan metode
Bayesian Network, SVM dan KNN. Akurasi tertinggi wrapper pada beberapa classifier yang sama dengan percobaan
dihasilkan oleh C4.5 yaitu sebesar 98.47%, diikuti oleh sebelumnya. Hasil menunjukkan bahwa bila menggunakan
Bayesian Network sebesar 97,78%, Naive Bayes 97,76%, SVM dataset yang telah diseleksi atribut, KNN menghasilkan akurasi
98,43% dan KNN 93,42% (Tabel 3). tertinggi, yaitu sebesar 98,7% diikuti dengan SVM sebesar
98,6%, C4.5 sebesar 98,56%, serta Bayesian Network dan
Naive Bayes sebesar 98,51%.
TABEL III II Percobaan selanjutnya menggunakan dataset hasil feature
PERBAN D IN G AN A K URAS I C LASS IF IER P A DA DA TA SET HA S IL FE A T URE
SELECT IO N MENG G UN AK AN F ILTER METH OD
selection dan diskritisasi pada atribut Dahak Awal seperti yang
telah dijelaskan pada sub bab 4.1.3. Pada Tabel 4 dapat
Akurasi disimpulkan bahwa dengan melakukan diskritisasi pada dataset
Bayesia hasil feature selection meningkatkan akurasi namun tidak
Dataset Naive
C4.5 n SVM KNN signifikan. Hal ini karena pada proses diskritisasi atribut Dahak
Bayes
Network
Awal, hanya terdapat 28 record dari 1073 record (2,6%) yang
RM3 98,47 97,78% 97,76 98,43 93,42
% % % %
didiskritisasi menjadi 1-9BTG.
RM3_IG9 98,56 98,34% 97,84 98.60 95,26 Berdasarkan hasil ekplorasi beberapa classifier
% % % % menggunakan dataset hasil seleksi atribut, maka dapat
RM3_IG4 98,56 98,51% 98,51 97,78 97,17 disimpulkan bahwa model diagnosis SNPT akan memperoleh
% % % % akurasi terbaik bila menggunakan dataset yang terdiri atas
RM3_GR1 98,56 98,25% 97,87 98,56 95,28 empat atribut, yaitu Diagnosis Awal, RO_Awal, Dahak Awal
0 % % % % dan Diagnosis Akhir dan diklasifikasi dengan C4.5. C4.5
RM3_GR6 98,56 98,51% 98,51 98,60 97,30 dipilih karena memiliki output berupa rule yang tentunya lebih
% % % % mudah dipahami dan lebih mendekati aturan diagnosis SNPT.

Pada Tabel 3 dapat disimpulkan bahwa untuk classifier C4.5, G. Pengujian

Bayesian Network dan Naive Bayes akan menghasilkan akurasi Pengujian dilakukan dengan menggunakan confusion matrix
terbaik bila menggunakan dataset dengan atribut Dahak Awal, pada dataset uji yang berjumlah 301 record. Pengujian
Diagnosis Awal, RO Awal, Batuk berdahak dan Diagnosis dilakukan untuk mengetahui nilai akurasi, presisi dan
Akhir. Sedangkan untuk classifier SVM dan KNN akan optimal sensitifitas dengan menggunakan persamaan (1), (2) dan (3).
bila menggunakan dataset yang terdiri atas enam atribut, yaitu Confusion matrix disajikan pada Tabel 5.
Dahak Awal, Diagnosis Awal, RO Awal, Batuk berdahak,
Penurunan BB dan Diagnosis Akhir.
TABEL VV
Proses seleksi atribut pada dataset asli RM3 menunjukkan C ONF US ION M A TR IX P AD A 301 DATA UJ I
peningkatan akurasi meskipun tidak signifikan. Hal ini berarti
bahwa dengan jumlah input yang jauh lebih sedikit, penentuan Diprediksi sebagai
hasil diagnosis akhir dapat dilakukan dengan akurasi yang TB Paru
Non TB TB Paru
Klinis
sedikit lebih baik.
Non TB 98 0 3
Kemudian pada percobaan berikutnya, digunakan metode
Aktual TB Paru 0 100 0
wrapper pada beberapa classifier yang sama dengan percobaan
TB Paru Klinis 98 0 2
sebelumnya menggunakan dataset pada Tabel 2.
TABEL IVV Berdasarkan confusion matrix, diperoleh nilai akurasi
PERBAN D IN G AN A K URAS I C LASS IF IER P A DA DA TA SET RM3 D AN DA TASET sebesar 77,3%, presisi 66,34% dan sensitifitas 63,33%. Tabel 5
HAS IL F EA TURE S ELECT I ON MEN G GU NA KA N WR APPER METH OD
menunjukkan bahwa dari 100 record kelas TB Paru Klinis
hanya dua yang diprediksi dengan benar. Hal ini dikarenakan

177

jumlah kelas pada data uji yang tidak proporsional. Sehingga
pada penelitian berikutnya perlu dilakukan pembagian data
latih dan uji menggunakan stratified random sampling.
V. KESIMPULAN
Penelitian ini merupakan studi pendahuluan. Hasil penelitian
ini dapat dijadikan dasar untuk pengembangan model diagnosis
akhir SNPT.
Hasil pengujian menunjukkan bahwa dari 100 record kelas
TB Paru Klinis hanya dua yang diprediksi dengan benar.
Sehingga pada penelitian berikutnya perlu dilakukan
pembagian data latih dan uji agar lebih proporsional
menggunakan stratified random sampling.
DAFTAR PUSTAK A
[1] WHO, WHO Global Tuberculosis Report 2015, 20th
ed. WHO Library Cataloguing-in-Publication Data,
2015.
[2] K. R. D. P2PL, Pedoman Nasional Pengendalian
Tuberkulosis. Kemenkes RI, 2014.
[3] A. A. Imianvan and J. C. Obi, “Decision Support
System for the Identification of Tuberculosis using
Neuro Fuzzy logic,” Niger. Ann. Nat. Sci., vol. 12, no.
1, pp. 12–20, 2012.
[4] G. Alvarez-Uria, J. M. Azcona, M. Midde, P. K. Naik,
S. Reddy, and R. Reddy, “Rapid Diagnosis of
Pulmonary and Extrapulmonary Tuberculosis in HIV-
Infected Patients. Comparison of LED Fluorescent
Microscopy and the GeneXpert MTB/RIF Assay in a
District Hospital in India.,” Tuberc. Res. Treat., pp. 1–
4, 2012.
[5] M. Bhatt, R. Bhaskar, and S. Kant, “Pulmonary
Tuberculosis as Differential Diagnosis of Lung
Cancer,” South Asian J. Cancer, vol. 1, no. 1, p. 36,
2012.
[6] F. M. E. Uzoka, J. Osuji, and F. O. Aladi, “A
Framework for Cell Phone Based Diagnosis and
Management of Priority Tropical Diseases,” in IST-
Africa 2011 Conference, 2011, pp. 1–13.
[7] Tuberculosis Coalition for Technical Assistance,
“International Standards for Tuberculosis Care
(ISTC),” San Francisco, Canada, 2006.
[8] H. M. S. C. Kusuma, “Diagnostik Tuberkulosis Baru,”
Sari Pediatr., vol. 8, no. 4, pp. 143–151, 2007.
[9] A. Nesredin, “Mining Patients’ Data for Effective
Tuberculosis Diagnosis: The Case of Menelik II
Hospital,” Addis Ababa University, 2012.
[10] R. U. K. R. M. Radzi, W. Mansor, and J. Johari,
“Review of Mycobacterium Tuberculosis Detection,”
in 2011 IEEE Control and System Graduate Research
Colloquium, 2011, pp. 189–192.
[11] A. Jain, “Extra Pulmonary Tuberculosis : A Diagnostic
Dilemma,” Indian J. Clin. Biochem., vol. 26, no. 3, pp.
269–73, Jul. 2011.
[12] M. Bahadori and M. H. Azizi, “Common Challenges in
178
Jurnal TICOM Vol. 6 No.3 Mei 2018
Laboratory Diagnosis and Management of
Tuberculosis,” Iran. Red Crescent Med. J., vol. 14, no.
1, pp. 3–9, 2012.
[13] H. F. Swai, F. M. Mugusi, and J. K. Mbwambo,
“Sputum Smear Negative Pulmonary Tuberculosis :
Sensitivity and Specificity of Diagnostic Algorithm,”
BMC Res. Notes, vol. 4, p. 475, Jan. 2011.
[14] F. C. D. Q. Mello, L. G. do V. Bastos, S. L. M. Soares,
V. M. Rezende, M. B. Conde, R. E. Chaisson, A. L.
Kritski, A. Ruffino-netto, and G. L. Werneck,
“Predicting Smear Negative Pulmonary Tuberculosis
with Classification Trees and Logistic Regression : A
Cross-sectional Study,” BMC Public Health, vol. 6, no.
43, pp. 1–8, 2006.
[15] Y. Benfu, S. Hongmei, S. Ye, L. Xiuhui, and Z. Bin,
“Study on the Artificial Neural Network in the
Diagnosis of Smear Negative Pulmonary
Tuberculosis,” in 2009 World Congress on Computer
Science and Information Engineering, 2009, pp. 584–
588.
[16] R. Santiago-Mozos, F. Perez-Cruz, M. Madden, and A.
Artes-Rodriguez, “An Automated Screening System
for Tuberculosis,” IEEE J. Biomed. Heal. Informatics,
no. 99, pp. 1–8, Oct. 2013.
[17] C. M. Muvunyi and F. Masaisa, “Diagnosis of Smear-
Negative Pulmonary Tuberculosis in Low-Income
Countries : Current Evidence in Sub-Saharan Africa
with Special Focus on HIV Infection or AIDS,” in
Understanding Tuberculosis - Global Experiences and
Innovative Approaches to the Diagnosis, P.-J. Cardona,
Ed. InTech, 2006, pp. 127–146.
[18] M. K. Osman, M. Y. Mashor, and H. Jaafar, “Detection
of Mycobacterium Tuberculosis in Ziehl - Neelsen
Stained Tissue Images using Zemike Moments and
Hybrid Multilayered Perceptron Network,” 2010, pp.
4049–4055.
[19] M. K. Osman, M. H. M. Noor, M. Y. Mashor, and H.
Jaafar, “Compact Single Hidden Layer Feedforward
Network for Mycobacterium Tuberculosis Detection,”
in 2011 IEEE International Conference on Control
System, Computing and Engineering, 2011, pp. 432–
436.
[20] I. Siena, K. Adi, R. Gernowo, and N. Mirnasari,
“Development of Algorithm Tuberculosis Bacteria
Identification Using Color Segmentation and Neural
Networks,” Int. J. Video Image Process. Netw. Secur.
IJVIPNS-IJENS, vol. 12, no. 4, pp. 9–13, 2012.
[21] V. S. Kodogiannis, “Point-of-Care Diagnosis of
Bacterial Pathogens in Vitro, Utilising an Electronic
Nose and Wavelet Neural Networks,” Neural Comput.
Appl., 2013.
[22] B. H. Tracey, G. Comina, S. Larson, M. Bravard, J. W.
López, and R. H. Gilman, “Cough Detection Algorithm
for Monitoring Patient Recovery from Pulmonary
Tuberculosis,” in 33rd Annual International
Conference of the IEEE EMBS, 2011, pp. 6017–6020.

[23] K. W. Becker, C. Scheffer, M. M. Blanckenberg, and
A. H. Diacon, “Analysis of Adventitious Lung Sounds
Originating from Pulmonary Tuberculosis,” 35th Annu.
Int. Conf. IEEE Eng. Med. Biol. Soc., pp. 4334–4337,
2013.
[24] R. Lestari, M. Ahmad, B. Alisjahbana, and T.
Djatmiko, “The Lung Diseases Diagnosis Software :
Influenza and Tuberculosis Case Studies in The Cloud
Computing environment,” in International Conference
on Cloud Computing and Social Networking, 2012, pp.
1–7.
[25] T. Uçar and A. Karahoca, “Predicting Existence of
Mycobacterium Tuberculosis on Patients using Data
Mining Approaches,” Procedia Comput. Sci., vol. 3,
pp. 1404–1411, Jan. 2011.
[26] T. Uçar, A. Karahoca, and D. Karahoca, “Tuberculosis
Disease Diagnosis by using Adaptive Neuro Fuzzy
Inference System and Rough Sets,” Neural Comput.
Appl., vol. 23, no. 2, pp. 471–483, Apr. 2013.
[27] M. Lauria, “Rank-based miRNA Signatures for Blood-
based Diagnosis of Tuberculosis,” in Engineering in
Medicine and Biology Society (EMBC), 2015 37th
Annual International Conference of the IEEE, 2015,
pp. 4462–4465.
[28] R. Khan, S. Abid, W. Jafri, Z. Abbas, K. Hameed, and
Z. Ahmad, “Diagnostic Dilemma of Abdominal
Tuberculosis in Non-HIV Patients: An Ongoing
Challenge for Physicians,” World J. Gastroenterol.,
vol. 12, no. 39, pp. 6371–6375, 2006.
[29] A. Goyal, M. Roy, P. Gupta, M. K. Dutta, S. Singh, and
V. Garg, “iMedPub Journals Automatic Detection of
Mycobacterium tuberculosis in Stained Sputum and
Urine Smear Images Abstract,” iMedPub Journals
Arch. Clin. Microbiol., vol. 6, no. 3:5, pp. 1–4, 2015.
[30] A. A. El-solh, C. Hsiao, S. Goodnough, J. Serghani, and
B. J. B. Grant, “Predicting Active Pulmonary
Tuberculosis Using an Artificial Neural Network,”
Chest J., vol. 116, no. 4, pp. 968–973, 1999.
[31] A. A. Bakar and F. Febriyani, “Rough Neural Network
Model for Tuberculosis Patient Categorization,” in
Proceedings of the International Conference on
Electrical Engineering and Informatics, 2007, no. 1,
pp. 765–768.
[32] A. M. Dos Santos, A. C. Silva, and L. D. O. Martins,
“A Neural-Bayesian Approach for Predicting Smear
Negative Pulmonary Tuberculosis,” in Congresso
Brasileiro de Redes Neurais, 2007, no. 1, pp. 1–5.
[33] A. M. Dos Santos, B. B. Pereira, J. M. Seixas, F. C. D.
Q. Mello, and A. L. Kritski, “Neural Networks: An
Application for Predicting Smear Negative Pulmonary
Tuberculosis,” in Advances in Statistics in the Health
Sciences, Birkhäuser Boston, 2007, pp. 275–287.
[34] O. Er, F. Temurtas, and a. Ç. Tanrıkulu, “Tuberculosis
Disease Diagnosis Using Artificial Neural Networks,”
J. Med. Syst., vol. 34, no. 3, pp. 299–302, Dec. 2008.
[35] E. Elveren and N. Yumuşak, “Tuberculosis Disease
179
Jurnal TICOM Vol. 6 No.3 Mei 2018
Diagnosis using Artificial Neural Network Trained
with Genetic Algorithm,” J. Med. Syst., vol. 35, no. 3,
pp. 329–32, Jun. 2011.
[36] F. S. Aguiar, L. L. Almeida, A. Ruffino-Netto, A. L.
Kritski, F. C. D. Q. Mello, and G. L. Werneck,
“Classification and Regression Tree (CART) Model to
Predict Pulmonary Tuberculosis in Hospitalized
Patients,” BMC Pulm. Med., vol. 12, no. 1, pp. 12–40,
Jan. 2012.
[37] T. Asha, S. Natarajan, and K. N. B. Murthy, “A Data
Mining Approach to the Diagnosis of Tuberculosis by
Cascading Clustering and Classification,” J. Comput.,
vol. 3, no. 4, 2011.
[38] H. Dağ, K. E. Sayın, I. Yenidoğan, S. Albayrak, and C.
Acar, “Comparison of Feature Selection Algorithms for
Medical Data,” in 2012 International Symposium on
Innovations in Intelligent Systems and Applications
(INISTA), 2012, pp. 1–5.
[39] T. Asha, S. Natarajan, and K. N. B. Murthy, “Data
Mining Techniques in the Diagnosis of Tuberculosis,”
in Understanding Tuberculosis - Global Experiences
and Innovative Approaches to the Diagnosis, P.-J.
Cardona, Ed. InTech, 2012, pp. 333–352.
[40] J. Han, M. Kamber, and J. Pei, Data Mining Concepts
and Techniques, 3rd ed., vol. 1. Morgan Kaufmann
Publishers, 2012.
[41] Rusdah and E. Winarko, “Review on Data Mining
Methods for Tuberculosis Diagnosis,” in Information
Systems International Conference (ISICO), 2013, pp.
563–568.
[42] PDPI, “Tuberkulosis : Pedoman Diagnosis dan
Penatalaksanaan di Indonesia,” 2002.
[43] T. Asha, S. Natarajan, and K. N. B. Murthy, “Effective
Classification Algorithms to Predict the Accuracy of
Tuberculosis-A Machine Learning Approach,” Int. J.
Comput. Sci. Inf. Secur., vol. 9, no. 7, pp. 89–94, 2011.
[44] T. Asha, S. Natarajan, and K. N. B. Murthy, “Diagnosis
of Tuberculosis using Ensemble methods,” in 3rd IEEE
International Conference on Computer Science and
Information Technology (ICCSIT), 2010, pp. 409–412.
[45] H. Temurtas, N. Yumusak, and F. Temurtas, “A
Comparative Study on Diabetes Disease Diagnosis
using Neural Networks,” Expert Syst. Appl., vol. 36, no.
4, pp. 8610–8615, 2009.
[46] A. G. Karegowda, A. S. Manjunath, and M. A.
Jayaram, “Feature Subset Selection Problem using
Wrapper Approach in Supervised Learning,” Int. J.
Comput. Appl., vol. 1, no. 7, pp. 13–17, 2010.
[47] A. Q. Ansari, N. K. Gupta, and Ekata, “Adaptive
Neurofuzzy System for Tuberculosis,” in 2012 2nd
IEEE International Conference on Parallel,
Distributed and Grid Computing, 2012, pp. 568–573.
[48] A. H. Roslina and A. Noraziah, “Prediction Of
Hepatitis Prognosis Using Support Vector Machines
And Wrapper Method,” in 2010 Seventh International
Conference on Fuzzy Systems and Knowledge

Discovery (FSKD 2010), 2010, no. Fskd, pp. 2209–
2211.
[49] M. Sokolova and G. Lapalme, “A systematic analysis
of performance measures for classification tasks,” Inf.
Process. Manag., vol. 45, no. 4, pp. 427–437, 2009.
[50] M. A. Sanchez, S. Uremovich, and P. Acrogliano,
“Mining Tuberculosis Data,” in Data Mining and
180
Jurnal TICOM Vol. 6 No.3 Mei 2018
Medical Knowledge Management : Cases and
Applications, R. Bellazzi, R. Jirousek, K. Mourik, J.
Paralik, L. Torgo, and B. Zupan, Eds. Hersey, New
York: Medical Information Science Reference, 2009,
pp. 332–349.
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Sistem Pelayanan Masyarakat Tingkat RT/RW

berbasis Android
Dewi Kusumaningsih#1 , M.Syafrullah*2 , Ahmad Pudoli*3 , Subandi*4
#
Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur
*
Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
1dewi.kusumaningsih@budiluhur.ac.id

2mohammad.syafrullah@budiluhur.ac.id

3ahmad.pudoli45@gmail.com

4subandi@budiluhur.ac.id

Abstrak - Rukun Warga (RW) merupakan Lembaga
Masyarakat yang diakui dan dibina oleh pemerintah untuk
memelihara dan melestarikan nilai-nilai kehidupan
masyarakat Indonesia yang berdasarkan
kegotongroyongan dan kekeluargaan serta untuk
membantu meningkatkan kelancaran tugas pemerintahan,
pembangunan, dan kemasyarakatan di Kelurahan.
Kendala yang dialami RT/RW dalam menjalankan
tugasnya berbenturan dengan haknya sebagai personal dan
kepala keluarga yang harus mencari nafkah bagi
keluarganya sehingga layanan pada masyarakat hanya
dapat diberikan pada saat sore hari atau hari libur,
padahal kebutuhan layanan masyarakat dapat terjadi
kapan saja. Dengan adanya perkembangan teknologi hal
tersebut dapat diatasi dengan membangun sistem
pelayanan masyarakat berbasis android yang mampu
memberikan informasi pada warga terkait dengan
kegiatan-kegiatan yang akan diselenggarakan ataupun
himbauan-himbauan pada warga, memberikan layanan
pengajuan surat atau layanan warga, penanganan
pengaduan maupun administrasi lainnya. Model sistem
yang akan dibuat berbasis android dengan menggunakan
aplikasi server. Bahasa pemrograman yang digunakan
adalah PHP dan Code Igniter dengan menggunkan konsep
View Model Controler (VMC). Aplikasi ini diharapkan bisa
memberikan solusi dalam efektifitas dan efisiensi waktu
dalam pelayanan publik.
Kata kunci : Sistem Pelayanan Masyarakat, Android, RW
Abstract - Rukun Warga (RW) is a Community Institution
that is recognized and nurtured by the government to
maintain and preserve the values of life of Indonesian people
based on mutual cooperation and kinship and to help improve
the smoothness of governmental, development and
community duties in Kelurahan. Obstacles experienced by RT
/ RW in performing their duties clashed with their rights as
personal and family heads who had to earn a living for their
families so that public services can only be given during the
afternoon or holiday, whereas the need for community
services can happen anytime. With the development of
technology it can be overcome by building an android-based
community service system that is able to provide information
on the residents associated with the activities to be held or
appeal to the citizens, providing services for the submission of
letters or services citizens, handling complaints and other
administration. The system model will be based on android
using the server application. The programming language
used is PHP and Code Igniter by using View Model Controler
(VMC) concept. This application is expected to provide
solutions in the effectiveness and efficiency of time in public
services.
Keywords :Community Service System, Android, RW
I. PEND AHULU AN
Pelayanan masyarakat di lingkungan Rukun Tetangga
merupakan salah satu kebutuhan mendasar bagi masyarakat
yang hidup dilingkungan sosial. Pemerintah sebagai pelayan
masyarakat terbingkai dalam susunan sesuai dengan tugas dan
fungsi jabatan. Masing-masing aparatur pemerintah memiliki
peran tersendiri dalam mengabdikan diri kepada masyarakat.
Oleh karena itu Pemerintah dalam kewajibannya memenuhi
kebutuhan setiap warga Negara harus memberikan pelayanan
terbaik kepada masyarakat. Karena Pada hakekatnya

181

pemerintah menyelenggarakan fungsi pelayanan kepada
masyarakat (public service), atau pemerintah adalah pelayan
bagi masyarakat. Ia tidaklah diadakan untuk melayani dirinya
sendiri, tetapi untuk melayani mengembangkan kemampuan
dan kreativitasnya demi mencapai tujuan bersama[1]. Dalam
pasal 1 Undang-Undang Nomor 25 Tahun 2009 tentang
pelayanan publik disebutkan pengertian pelayanan publik
sebagai berikut : Pelayanan publik adalah kegiatan atau
rangkaian kegiatan dalam rangka pemenuhan kebutuhan
pelayanan sesuai dengan peraturan perundang-undangan bagi
setiap warga negara dan penduduk atas barang, jasa dan / atau
pelayanan administratif yang disediakan oleh penyelenggara
pelayanan publik[2]. Pasal 19 Peraturan Gubernur Provinsi
DKI Jakarta Nomor 171 Tahun 2016 tentang Pedoman Rukun
Tetangga dan Rukun Warga, mengatur mengenai tugas RT/RW
sebagai berikut: (a) pendataan kependudukan dan pelayanan
administrasi pemerintahan lainnya; (b) pemeliharaan
keamanan, ketertiban dan kerukunan hidup antar warga; (c)
pembuatan gagasan dalam pelaksanaan pernbangunan dengan
mengembangkan aspirasi dan swadaya murni masyarakat; dan
(d) penggerak swadaya gotong royong dan partisipasi
masyarakat di wilayahnya. Pasal 43 peraturan ini mengatur
tentang hubungan kerja antara Pengurus RT dan/atau Pengurus
RW dengan Lurah dan Lembaga Kemasyarakatan lainnya
(termasuk LMK) yang bersifat konsultatif dan koordinatif.
Hubungan kerja antara Pengurus RT dan/atau Pengurus RW
dalam 1 (satu) kelurahan bersifat kerja sama, saling membantu
dan bersinergi[3]. Selama ini kegiatan pelayanan dilaksanakan
dilaksanakan secara manual, dalam penelitian ini objek yang
diambil adalah Rukun Warga 011 Kelurahan Petukangan Utara
Kecamatan Pesanggrahan Jakarta selatan. Pengajuan berbagai
macam surat harus mendatangi langsung kepada Ketua Rukun
Tetangga setempat. Waktu tunggu yang lama dan waktu
pengambilan yang kurang jelas menyebabkan proses pengajuan
surat yang ada menjadi sangat memakan waktu dan tenaga.
Masalah yang diidentifikasi dalam penelitian ini adalah : Tidak
adanya informasi mengenai ketersediaan waktu dari ketua
RT/RW yang menyebabkan warga harus selalu datang
menemui Ketua RT/RW ketika awal pengajuan surat menyurat
sehingga pengajuan permohonan sangat menyita waktu dan
tenaga(tidak efektif dan efisien), Tidak adanya informasi
mengenai progress dari pengajuan permohonan yang diajukan,
Belum adanya wadah yang mendekatkan komunikasi timbal
balik dari masyarakat umum dan Ketua RT/RW.
II. LAND ASAN TEORI
2.1 Tinjauan Pustaka
2.1.1 Rukun Tetangga/Rukun Warga
Rukun Tetangga/Rukun Warga (RT/RW) adalah
lembaga yang dibentuk lewat musyawarah dari masyarakat
setempat dalam rangka layanan pemerintah dan
kemasyarakatan yang ditetapkan oleh pemerintah desa atau
kelurahan[4]. RT/RW memiliki peran yang sangat penting
dalam memelihara dan juga melestarikan nilai-nilai kehidupan
dimasyarakat yang berdasarkan pada kegotong-royongan dan
182
Jurnal TICOM Vol. 6 No.3 Mei 2018
kekeluargaan, meningkatkan kelancaran pelaksanaan tugas
pemerintah desa atau kelurahan dalam pembangunan dan
kemasyarakatan serta memberdayakan seluruh potensi
swadaya masyarakat dan usaha meningkatkan kesejahteraan
masyarakat[5].
2.1.2 Pelayanan Masyarakat
Pengertian dari pelayanan masyarakat/publik menurut
Hidayaningrat dikutip oleh Suwondo menjabarkan pelayanan
publik sebagai aktivitas yang dilakukan untuk memberikan
jasajasa dan kemudahan bagi masyarakat untuk memegang
teguh syarat-syarat efisiensi, efektivitas, dan penghematan[6].
Sedangkan seperti yang dikemukakan Siagian berpendapat
bahwa pelayanan publik adalah aktivitas yang dilakukan untuk
memberikan jasa-jasa dan kemudahan kepada masyarakat
dengan mempertimbangkan aspek-aspek sebagai berikut: a.
Pelayanan publik berhubungan dengan kegiatan memberikan
pelayanan kepada masyarakat sesuai dengan haknya, b.
Pelayanan yang diberikan berupa barang dan jasa yang vital, c.
Adanya prinsipprinsip efisiensi, efektivitas dan penghematan
dalam memberikan pelayanan kepada masyarakat [7].
2.1.3 Konsep Efektifitas dan efisiensi
Pada dasarnya efektivitas merupakan tingkat
keberhasilan dalam pencapaian tujuan. Soejono Soekanto
mengemukakan bahwa efektivitas berasal dari kata effektivies
yang berarti taraf sampai atau sejauh mana suatu kelompok
mencapai tujuan[8]. Mahsun menjelaskan bahwa efektivitas
(hasil guna) merupakan hubungan antara keluaran dengan
tujuan atau sasaran yang harus dicapai. Pengertian efektivitas
ini pada dasarnya berhubungan dengan pencapaian tujuan atau
target kebijakan. Kebijakan operasional dikatakan efektif
apabila proses kegiatan tersebut mencapai tujuan dan sasaran
akhir kebijakan (spending wisely)[9].
Dunn menerangkan bahwa efektivitas (effectiveness)
berkenaan dengan apakah suatu alternatif mencapai hasil
(akibat) yang diharapkan, atau mencapai tujuan dari
diadakannya tindakan[10]. Efektivitas, yang secara dekat
berhubungan dengan rasionalitas telaris, selalu diukur dari unit
produksi atau layanan atau nilai moneternya. Selanjutnya,
Dunn menambahkan bahwa efektivitas merupakan kreteria
evaluasi yang mempertanyakan apakah hasil yang diinginkan
telah tercapai[10].
2.1.4 Metode Pengembangan Sistem
Ada banyak metode yang bisa kita gunakan dalam
mengembangkan perangkat lunak. Banyaknya metode-
metode yang ada terkadang meninggalkan permasalahan
tersendiri bagi para pengembang/peneliti, metode mana yang
sebaiknya dipilih demi mendapatkan solusi yang paling baik
dan dengan biaya pengembangan yang seminimal mungkin.
Metode-metode ini tentunya memiliki kelebihan dan
kekurangan sendiri, sehingga perlu studi yang lebih lanjut
mengenai bagaimana melakukan pemilihan metode yang baik
dalam mengembangkan perangkat lunak. Banyak aspek yang
bisa dijadikan pertimbangan untuk memilih metode yang tepat,
seperti biaya, sumber daya, waktu dan lainnya.
Prototyping merupakan suatu metode dalam
pengembangan sistem yang menggunakan pendekatan untuk

membuat suatu program dengan cepat dan bertahap sehingga
segera dapat dievaluaso oleh pemakai. Perancangan prototipe
juga merupakan salah satu bagian dari proses UCD (User
Centered Design)[11].
Prototyping sebagai sebuah kedaraan yang dalam
fungsinya sebagai kendaraan pengajar, yang digunakan sebagai
sarana perancangan desain, evolusi dalam pembelajaran,
menemukan, menghasilkan dan memperbaiki desain yang ada
hingga mencapai sebuah bentuk yang sesuai standard yang ada.
Dalam kajian software engineering, prototipe sering disebut
sebagai sebuah working model yang dirancang dengan mediasi
aplikasi sebagai bentuk dari sebuah keluaran produk yang dapat
di deliver[12].
Gbr. 1 Model Prototype
2.1.5 Pengujian Perangkat Lunak
Pengujian perangkat lunak menurut Pressman adalah
elemen kritis dari jaminan kualitas perangkat lunak dan
mempresentasikan kajian pokok dari spesifikasi, desain dan
pengkodean. Selain itu, pengujian juga dapat diartikan sebagai
sebuah proses eksekusi suatu program dengan maksud
menemukan kesalahan[13].
Gbr. 2 Langkah-langkah Pengujian Perangkat Lunak [13]
2.2 Tinjauan Studi
Tinjauan studi yang dijadikan acuan dalam melakukan
penelitian ini mengacu pada beberapa penelitian terkait yang
telah dilakukan sebelumnya yaitu sebagai berikut.
a. Anita, Sugeng Widodo melakukan penelitian tentang
Sistem Informasi RT/RW sebagai media komunikasi
183
Jurnal TICOM Vol. 6 No.3 Mei 2018
berbasis web. Hasil penelitian yang telah dilakukan
memberikan kesimpulan memberikan kemudahan di
masyarakat dalam memperoleh informasi dilingkungan
RT.
b. Dalam penelitian yang dilakukan oleh Renia Yunita dari
STMIK GI MDP ini membahas tentang “Sistem
Informasi Akademik pada SMA Yanita Palembang”
menggunakan metodologi System Development Life
Cycle (SDLC). Dalam penelitian ini dilakukan
investigasi, analisis, perancangan, implementasi dan
pemeliharaan. Jurnal ini berjudul Perancangan Sistem
Informasi Akademik Berbasis Push SMS pada Sekolah
Tinggi Teknologi Dharma Iswara Madiu, jurnal ini
membahas tentang perkembangan teknologi informasi
dan komunikasi ditandai dengan pertumbuhan layanan
internet yang semakin menjamur. Maka penelitian ini
merancang sebuah aplikasi yang dapat dimanfaatkan
sebagai salah satu media inetraktif menggunakan sarana
operator seluler.
c. Yudie Irawan dalam penelitian yang berjudul Analisa
dan Perancangan Otomasi Surat Pengantar RT berbasis
SMS Gateway Sebagai Penerapan Konsep Paperless
Office yang dilakukan pada tahun 2015 menyimpulkan
Teknologi SMS Gateway memungkinkan staf RT
mengirimkan pesan singkat ke server kelurahan yang
akan diterima sebagai data pemicu pembuatan surat
kependudukan. Data yang ada dapat di integrasikan
dengan data pemohon sehingga format SMS tidak
terlalu panjang. Melalui metode ini maka pemohon tidak
membutuhkan waktu yang lama untuk menunggu surat
– surat kependudukan yang dibutuhkan karena saat staf
RT mengirimkan SMS maka staf di kelurahan dapat
memproses surat tersebut saat itu juga. Metode
penelitian pada pengembangan sistem ini berdasarkan
metode pengembangan sistem Waterfall model,
sedangkan dalam level desain menggunakan metode
perancangan sistem Unified Modelling Language. Hasil
penelitian berupa pemodelan sistem yang disajikan
dalam Business Use Case Diagram, Use Case Diagram
dan Class Diagram, sedangkan perancangan basisdata
ditampilkan dalam ER diagram.
d. Rifa’atunnisa, Eri Satria dan Rinda Cahyana dalam
penelitian Pengembangan Aplikasi Zakat Berbasis
Android dengan Menggunakan Metode Prototype
memaparkan bahwa pembuatan model sistem dengan
metode prototyping teruji dapat diimplementasikan
dengan baik selama pembuatan model sistem perbaikan
dilakukan jika pada aplikasi terdapat kesalahan.
e. Asilah Salma, Irfan Darmawan dan Faisal Mufied Al
Anshary dalam penelitiannya yang berjudul
Perancangan Aplikasi Callme Berbasis Android
Menggunakan Metode Prototyping menjelaskan bahwa
pengguna internet semakin meningkat termasuk di dunia
pendidikan, khususnya di universitas. Pembangunan
software menggunakan metode prototyping yang
dimulai dengan melakukan survei kebutuhan user
 Jurnal TICOM Vol. 6 No.3 Mei 2018

terhadap software yang akan dirancangHasil akhir dari

penelitian ini adalah sebuah aplikasi pemesanan
makanan berbasis Android yang dapat digunakan untuk
mempermudah mahasiswa untuk memesan makanan
dengan fitur in-app chat, status order, dan fitur top up
untuk memudahkan pengguna dan penjual saat
melakukan transaksi pemesanan makanan di kawasan
Telkom University

III.M ETODE PENE LITIAN

Gbr. 3 Langkah-langkah Penelitian
3.1 Metode Penelitian
Tujuan dari penelitian ini yaitu membuat system
3.5.1 Pengumpulan Data dan Informasi
pelayanan masyarakat tingkat rukun warga yang mudah
Untuk menyelesaikan masalah efektifitas dan efisiensi
diakses, efektif dan efisien berbasis android dan melakukan
pelayanan masyarakat ini maka dalam penelitian ini melakukan
pengujian terhadap sistem pelayanan apakah sesuai dengan
pengumpulan data serta informasi. Pada tahapan penelitian ini
kebutuhan dari user. Penelitian eksperimen merupakan
melakukan studi literatur.
penelitian dimana peneliti dapat melakukan manipulasi kondisi
yang ada sesuai dengan keinginan peneliti, dalam kondisi yang
3.5.2 Identifikasi Kebutuhan
telah dimanipulasi ini biasanya dibuat dua kelompok yaitu
Dalam tahap identifikasi kebutuhan bertujuan untuk
kelompok kontrol dan kelompok pembanding.
mengidentifikasi masalah yang ada dengan mengetahui
kebutuhan apa saja yang diperlukan dalam pembuatan dan
3.2 Metode Pengumpulan Data pengembangan sistem.
Metode pengumpulan data yang digunakan dalam
penelitian ini adalah pengamatan atau observasi. Pada
3.5.3 Menentukan Metode
penelitian ini observasi dilaksanakan dengan cara mencatat dan
Pemilihan metode yang digunakan akan dilakukan
mengamati langsung akurasi pengukuran untuk dilakukan
setelah studi literatur dari berbagai sumber adalah dengan
analisis lebih lanjut.
penerapan Model Prototyping.
3.3 Sumber Data
3.5.4 Desain Sistem
Sumber data yang digunakan dalam penelitian ini adalah
Pada tahap penelitian ini peneliti melakukan desain atau
menggunakan studi pustaka yang dilakukan untuk
perancangan algoritma dan sistem. Berikut adalah desain
mendapatkan teori–teori pendukung dalam melakukan
sistem usulan yang diberikan :
penelitian.

3.4 Teknik Analisis Data

Teknik analisis data dalam penelitian ini menggunakan
pendekatan kualitatif dimana data yang telah dikumpulkan
sebelumnya dianalisis tidak dengan menggunakan analisis data
statistik. Analisis data secara kualitatif dilakukan dengan
menganalisis hasil pencatatan tingkat akurasi pengukuran,yaitu
dengan membandingkan langkah-langkah dari setiap instrumen
yang ada.

3.5 Langkah-langkah Penelitian

Tahapan-tahapan yang dilakukan dalam rangka
melakukan penelitian pengembangan prototipe system
pelayanan masyarakat berbasis android ditunjukan pada
Gambar 3 : Gbr. 4 Desain Sistem Usulan

184
 Jurnal TICOM Vol. 6 No.3 Mei 2018

IV. HASIL DAN PEMB AHASAN

4.1. Pemecahan Masalah

Aplikasi ini dibuat untuk memberikan soluasi dan
pengenalan teknolgi dalam pemanfaatan dilngkungan tingkat
RT/RW. Adapaun mengapa yang dituju tingkat RT/RW
adalah Kepala RT/RW adalah seorang tokoh masyarakat yang
sering dan langsungberinteraksi dengan warganya
(penduduk), jika administrasipenduduk dalam tingkat RT/RW
tertib,maka ke tingkat atasnya (Kelurahan, Kecamatan dst)
mungkin akan menjadi lebih tertib dan setidaknya
(memberikan manfaat untuk aparatur pemerintah).
Aplikasi android yang dibuat akan menyelesaikan :
1. Surat Pernyataan
2. Surat Keterangan Kelahiran
3. Surat Keerangan Kematian
4. Surat Keterangan Ijin
5. Surat Keterangan Belum Menikah
6. Surat Keterangan Tidak Mampu
7. Surat Keterangan Berkelakuan Baik Gbr 6. Tampilan Layar Menu Login
8. Surat Keterangan Domisili Individu
B. Tampilan Layar Menu Layanan
4.2. Alur Proses Aplikasi user bisa melakukan permohonan untuk pengajuan
A. Tabel Database Surat Pernyataan, Surat Keterangan Kelahiran, Surat
CDM dipakai untuk menggambarkan secara detail Keterangan Kematian, Surat Keterangan Ijin, Surat
struktur basis data dalam bentuk logik. Berikut Konseptual Keterangan Belum Menikah, Surat Keterangan Tidak Mampu,
Model dari sistem yang dibangun : Surat Keterangan Berkelakukan Baik dan Surat Keterangan
memiliki_induk
memiliki Domisili Individu.
WILAYAH_ADMINISTRASI TINGKAT_WILAYAH ADMIN

memiliki

RT RW LAYANAN

memiliki memiliki

WARGA PERMOHONAN
HISTORI_PROSES
mengajukan
memiliki

Gbr. 5 Aktifitas Diagram Sistem Usulan

4.3. Tampilan Aplikasi

A. Tampilan Layar Login
Halaman awal pada aplikasi ini adalah menu login. User
dapat langsung memasukkan username dan password agar
dapat memanfaatkan aplikasi ini.

Gbr 7. Tampilan Layar Menu Pelayanan Masyarakat

185

C. Tampilan Layar Menu Permohonan
Proses permohonan yang user ajukan dapat dilihat pada
menu Permohonan. Ada tiga sub menu yaitu Baru, Proses dan
Selesai.
Gbr 8. Tampilan Layar Menu Surat Permohonan yang baru
diajukan atau masih dalam draft
1) Tampilan Layar Menu Akun
Pada Menu Akun ini, ditampilkan profile dari user yang
sedang login, yaitu Nama , alamat email , jenis kelamin, tempat
tanggal lahir, kewarganegaraan, agama, status, nomor KTP dan
nomor KK. User juga bisa keluar atau logout dengan mengklik
tombol “keluar” yang ada pada halaman tersebut. Menu
tersebut digambarkan pada tampilan layar Gambar 9
Gbr 9. Tampilan Layar Menu Akun
186
Jurnal TICOM Vol. 6 No.3 Mei 2018
V. KESIMPULAN
Berdasarkan pengkajian aplikasi yang telah dilakukan
terhadap masalah dan penyelesaian yang telah dilakukan, maka
ditarik kesimpulan dan saran yang akan diperlukan untuk
pengembangan aplikasi ini ke tahap lebih lanjut. Hal ini untuk
menjadikan aplikasi yang dibuat lebih sempurna.
1. Kesimpulan
Dari hasil perancangan dan percobaan aplikasi ini. Dapat
diambil kesimpulan sebagai berikut:
· Dengan adanya Sistem Pelayanan Masyarakat
Tingkat RT/RW Berbasis Android memberikan
solusi dalam efektifitas dan efisiensi waktu dan
tenaga pada objek penelitian, hal ini sangat
memudahkan dalam penanganan proses pelayanan
surat dan juga mampu menghemat waktu.
· Sistem Pelayanan Masyarakat Tingkat RT/RW
Berbasis Android ini mempercepat proses pencarian
data penduduk.
· Selain itu Sistem ini dapat sangat efektif karena
semua data yang tersimpan tidak akan mudah rusak
dan hilang jika dibandingkan dengan menggunakan
sistem sebelumnya yang masih dicatat dalam buku.
· Dalam hal penggunaan sistem ini tidak sulit karena
tampilanya yang sederhana akan memudahkan
pengguna dalam mengoperasikan.
2. Saran
Aplikasi Sistem Pelayanan Masyarakat Tingkat
RT/RW Berbasis Android ini masih memiliki beberapa
keterbatasan dan kekurangan, sehingga untuk itu penulis
menyarankan untuk pengembangan aplikasi selanjutnya
agar:
· Aplikasi dapat berjalan cepat dengan
menyempurnakan beberapa fitur di aplikasi seperti
fitur diskusi kepada petugas berdasarkan permohonan
yang diajukan
· Aplikasi belum dapat menghitung kinerja petugas
sesuai dengan SLA dari setiap permohonan yang
diproses
· Pengguna dapat mengetahui estimasi permohonannya
DAFTAR PUSTAK A
[1] Restu Dedis Ahdhan, e.Journal Ilmu
Pemerintahan,2014,2(2):2185-2199 ISSN 2338-3651,
ejournal.ip.fisip.unmul.ac .id © Copyright 2014
diakses tanggal 1 November 2016
[2] Undang-undang Nomor 25 Tahun 2009 tentang
Pelayanan Publik
[3] Peraturan Gubernur Provinsi DKI Jakarta Nomor 171
Tahun 2016 tentang Pedoman Rukun Tetangga dan
Rukun Warga Pasal 19
[4] PERATURAN MENTERI DALAM NEGERI
NOMOR 5 TAHUN 2007 TENTANG PEDOMAN
PENATAAN LEMBAGA KEMASYARAKATAN

[5] Anita, 2014, “Sistem Informasi RT/RW Sebagai Media
Komunikasi Warga Berbasis Web (PDF Download
Available)”. Available from:
https://www.researchgate.net/publication/287208216
_Sistem_Informasi_RTRW_Sebagai_Media_Komuni
kasi_Warga_Berbasis_Web [accessed Nov 8 2017].
[6] Suwondo. (2001). Peserta Pelayanan Publik:
Hubungan Komplementer Antara Sektor Negara,
Mekanisme Pasar dan Organisasi. Jakarta, Bumi
Aksara
[7] Siagian, S.P. (1992).Organisasi Kepemimpinan &
Perilaku Administrasi. Jakarta, Rineka Cipta
[8] Soejono Soekanto,. 1986. Pengantar Penelitian
Hukum. UI Press. Jakarta
187
Jurnal TICOM Vol. 6 No.3 Mei 2018
[9] Mahsun, Mohamad, 2006. Pengukuran Kinerja Sektor
Publik, Penerbit BPFE,Yogyakarta
[10] Dunn, William N. 2000. Pengantar Analisis Kebijakan
Publik. Yogyakarta: Gadjah Mada University Press.
[11] Moggridge 2007 B. Moggridge, Designing
Interactions. Tehe MIT Press, 2007.
[12] Lim 2008 J. Lim, Y., Stolterman, E., and Tenenberg,
Lim, Y., Stolterman, E., and Tenenberg, J. 2008, pp.
1–27.
[13] Roger, S. Pressman, Ph.D. , 2012, Rekayasa Perangkat
Lunak (Pendekatan Praktisi) Edisi 7 : Buku 1 “,
Yogyakarta: Andi
 Jurnal TICOM Vol. 6 No.3 Mei 2018

Model Sistem Keamanan pada Aplikasi Pengolahan

Nilai menggunakan Algoritma Haar Cascade
Classifier dan Algoritma Fisherface
Tri Sugihartono#1 , Nazori AZ#2 , Sofian Lusa#3
#
Program Studi Magister Ilmu Komputer, Program Pascasarjana, Universitas Budi Luhur
Jl. Raya Ciledug, Petukangan Utara, Pesanggrahan, Jakarta Selatan 12260
Telp.(021) 5853753
1trisugihartono207@gmail.com

2nazori@budiluhur.ac.id

3sofian.lusa@budiluhur.ac.id

Abstrak - STMIK Atma Luhur menggunakan sistem
keamanan berbasis password untuk masuk ke sistem
pengolahan nilai. Sistem keamanan berbasis password
masih memiliki kelemahan, banyak terjadinya kasus
pembobolan akun dosen, sehingga terjadi perubahan nilai
yang dilakukan oleh pihak yang tidak memiliki hak akses.
Dalam penelitian ini, penulis akan menggunakan sistem
keamanan ganda, yaitu menggunakan sistem pengenalan
wajah dan sistem login password. Pada sistem pengenalan
wajah, penulis menggunakan metode haar cascade classifier
dan algoritma fisherface. Algoritma haar cascade dapat
mendeteksi wajah dengan sudut hadap 0 – 50 %, dengan
jarak 50 cm. Pengujian dilakukan dengan menggunakan
sample wajah sebanyak 11 data wajah, dan diuji dengan
faktor atribut dan pencahayaan, yang dapat menghasilkan
tingkat akurasi sebesar 90,9%.
Kata kunci : pengenalan wajah, keamanan, fisherface, haar
cascade classifier, android
Abstract -STMIK Atma Luhur uses a password-based security
system to enter the value-processing system. Password-based
security system still has weaknesses, many cases of burglary
accounts lecturers, resulting in changes in the value made by
parties who do not have access rights. In this research, writer
will use double security system, that is using face recognition
system and login password system. In face recognition system,
the author uses haar cascade classifier method and fisherface
algorithm. Haar cascade algorithm can detect faces with
facing angle 0 - 50%, with a distance of 50 cm. Tests were
performed using face samples of 11 facial data, and tested
with attribute and lighting factors, which can produce an
accuracy of 90.9%
Keywords: face recognition, security, fisherface, haar
cascade classifier
I. PEND AHULU AN
Dibalik perkembangan teknologi informasi yang sangat
canggih, maka semakin rentan juga keamanan privacy bagi
suatu instansi / perusahaan. Oleh karena itu, sistem keamanan
pada teknologi informasi menjadi perhatian bagi suatu
perusahaan. Sistem keamanan yang banyak di terapkan saat ini,
adalah sistem login menggunakan password dan username.
Namun metode tersebut memiliki kelemahan[1], sehingga
banyak kasus pembobolan server, pencurian data dan
penyerangan terhadap sejumlah sistem database yang
mengakibatkan kerugian yang cukup signifikan[2].
STMIK Atma Luhur merupakan sekolah tinggi berbasis
komputer di Bangka Belitung. STMIK Atma Luhur saat ini
masih menggunakan sistem login menggunakan password dan
username setiap kali masuk kedalam sistem pengolahan nilai
khususnya. Setiap kali dosen masuk kedalam sistem harus
memasukkan username dan password.
Pengenalan wajah merupakan salah satu teknologi
biometrik yang sekarang telah diterapkan untuk banyak aplikasi
dalam bidang keamanan, antara lain Access security system,
Authentification system[3]. Namun pada perkembangannya
masih terdapat beberapa permasalahan, selain masalah
komputasi dan kapasitas penyimpanan data, kondisi citra wajah
yang menjadi masukan (input) sistem juga merupakan masalah
penting. Beberapa aspek penting yang mempengaruhi kondisi
citra wajah manusia diantaranya adalah pencahayaan, ekspressi
wajah dan perubahan atribut seperti kacamata[4].
Saat ini ada banyak algoritma yang dipakai untuk
melakukan pengenalan wajah, salah satunya adalah algoritma
Principal Component Analysis (PCA) atau sering disebut
algoritma eigenface, algoritma ini merupakan algoritma yang

188

paling populer dalam pengenalan wajah. Namun masih
memiliki kekurangan dalam pengenalan wajah. Algoritma ini
memiliki tingkat keakuratan dalam identifikasi sebesar 60%
dan dalam pengenalan wajah sebesar 70% [5].
Pada tahun 1997, Peter N. Belhumeur, Joao P. Hespanha
dan David J. Kriegman mengembangkan algoritma yang
dinamakan fisherface. Dasar algoritma ini adalah reduksi
dimensi yang sekaligus memperbesar rasio jarak antar kelas
terhadap jarak intra kelas dari vector ciri. Semakin besar rasio,
vektor ciri yang dihasilkan semakin tidak sensitif terhadap
perubahan ekspresi ataupun perubahan cahaya, sehingga dapat
menghasilkan tingkat klasifikasi yang lebih baik.
Pada penelitian ini, penulis akan menggunakan metode Haar
Cascade Classifier untuk pendeteksian wajah dan fisherface
untuk pengenalan wajah. Haar cascade memiliki tingkat akurasi
sebesar 83 % dan tingkat ketelitian ( precision ) sebesar 97%
lebih unggul dari Random Forest Classifiers dan SVM
Classifier [13]. Alasan penulis memilih algoritma fisherface,
karena Algoritma fisherface merupakan penyempurnaan dari
metode eigenface. Fisherface menggunakan Fisher's Linear
Discriminant Analysis (FLDA atau LDA) untuk pengurangan
dimensi, sehingga fisherface sangat berguna saat gambar wajah
memiliki variasi pencahayaan yang besar[6].
II. LAND ASAN TEORI
Kombinasi sistem pengenalan wajah dan sistem
watermarking yang sesuai dan layak, yaitu sistem PCA-DCT,
bersama dengan teknik watermarking yang menjamin keaslian
data yang ditransmisikan dalam sistem pengenalan wajah, yang
kemudian akan meningkatkan tingkat keamanan[4].
Akurasi pengenalan terendah tercapai bila jumlah fitur dua,
yaitu. 41,25% (Euclidean distance), 41,25% (Manhattan
distance), 40,83% (Canbera distance), dan 40% (chebychev
distance) [10]. Akurasi tertinggi dicapai untuk jumlah fetures
adalah sepuluh, yaitu 92,08% (Euclidean distance), 91,67%
(manhattan distance), 75,42% (Canberra distance), dan 87,25%
(Chebychev distance)[7].
Kerangka pengolahan citra berfokus pada penggunaan
teknik penglihatan komputer dalam kolaborasi PC manusia dan
investigasi perasaan melalui pemetaan ruang antara perasaan
konstan dan pengaturan kelas perasaan diskrit[8]. Sementara
menyelesaikan eksekusi yang hebat, ruang komponen dan
sistem karakterisasi yang paling produktif untuk Face
Expression Recognition (FER) tetap tidak jelas karena tidak
adanya penelitian korelasi[8]. Algoritma Adaboost dengan
cepat diklarifikasi dan dieksekusi dalam program kami [12].
Studi ini meningkatkan ketepatan pengakuan dan waktu
pelaksanaan kerangka pengenalan ekspresi wajah [8].
Sistem deteksi keadaan mata real-time menggunakan Haar
Cascade Classifier dan CHT telah dipresentasikan. Sistem ini
menggunakan Haar Cascade Classifiers untuk mendeteksi
wajah, mata terbuka dan mata tertutup[1]. Untuk
mengantisipasi terjawab diklasifikasikan oleh pengklasifikasi,
CHT diaplikasikan untuk mendeteksi bentuk melingkar di
daerah mata yang disebut sebagai iris detection[1]. Hasilnya
189
Jurnal TICOM Vol. 6 No.3 Mei 2018
menunjukkan bahwa keakuratan deteksi mata adalah 98,56%
dan untuk deteksi keadaan mata adalah 96,96% [1].
Sistem kontrol keamanan rumah pintar telah menjadi sangat
diperlukan dalam kehidupan sehari-hari. Perancangan dan
pengembangan sistem keamanan rumah, berdasarkan teknologi
pengenalan wajah manusia dan teknologi pemantauan jarak
jauh, untuk mengkonfirmasi identitas pengunjung dan untuk
mengendalikan aksesibilitas pintu telah dilaporkan dalam
makalah ini menjelaskan tentang penerapan dan penerapan
sistem kontrol nirkabel dan aksesibilitas ke Lingkungan rumah
hanya untuk orang yang diautentikasi[7]. Teknik jaringan
nirkabel berbasis ZigBee dan teknik pengolahan gambar yang
berbasis PCA, secara khusus membuat sistem keamanan tetap
hidup sesuai permintaan. Modul ZigBee dan modul kunci pintu
elektromagnetik menggabungkan aksesibilitas pintu, telah
dirancang dan dikembangkan[7]. Algoritma deteksi dan
pengenalan wajah, serta antarmuka nirkabel digunakan untuk
mendeteksi dan mengidentifikasi pengunjung dan mengirim
email dan / atau pesan peringatan tentang status lingkungan
rumah saat ini melalui jaringan GSM secara otomatis ke telepon
seluler pemilik rumah atau perangkat komunikasi lainnya[7].
Otoritas yang bersangkutan dapat mengendalikan sistem
melalui telepon genggamnya atau perangkat komunikasi
dengan mengirimkan AT Commands ke GSM MODEM atau
dengan mengambil tindakan yang diperlukan untuk otentikasi
melalui email, yang lagi-lagi dilindungi kata sandi[7].
Pengguna dapat memantau pengunjung dan mengendalikan
kunci pintu pada halaman Web yang aktif yang disempurnakan
dengan JavaScript dan HTML. Sistem ini menemukan aplikasi
yang luas di daerah dimana kehadiran fisik tidak
memungkinkan setiap saat. Seluruh sistem kontrol dibangun
dengan menggunakan Mikrokontroler ARM1176JZF-S dan
diuji untuk penggunaan aktual di lingkungan rumah[7].
III. M ET ODOLOGI PENE LITIAN
a. Analisa Proses Pengenalan Wajah
Proses pengenalan wajah dimulai dari deteksi wajah secara
realtime menggunakan kamera smartphone, setelah wajah
terdeteksi capture wajah untuk mengambil citra wajah,
sebelum dilakukan perhitungan fisherfaces akan dilakukan
proses preprocessing. Setelah itu akan dilakukan perhitungan
fisherfaces, selanjutnya pencocokan hasil perhitungan dengan
database wajah yang sebelumnya sudah di training. Hasilnya
berupa keluaran layar login sistem pengolahan nilai mahasiswa
apabila citra wajah dikenali.
Gbr. 1 Analisa Proses Pengenalan Wajah

b. Algoritma Haar Cascade Classifier
Untuk proses deteksi wajah dapat dilihat pada gambar 2
dibawah ini :
Gbr. 2 Diagram Alur Proses Deteksi Wajah
Berdasarkan pada Gambar 2 dapat dijelaskan, bahwa objek
wajah dilakukan pencarian wajah dengan menentukan nilai
haar like feature, setelah nilai haar like feature ditentukan
kemudian dilanjutkan perhitungan integral image, dan
dilanjutkan dengan proses cascade classifier.
c. Proses Preprocessing
Setelah citra terdeteksi, proses selanjutnya yaitu pre-
processing dimana dalam proses pre-prosessing , data wajah
akan dilakukan beberapa proses yaitu proses RGB to Grayscale
merubah data gambar ke bentuk keabuan, selanjutnya
dilanjutkan dengan proses cropping yaitu memotong gambar
yang tidak perlu (yang diambil hanya lah citra wajah saja),
selanjutnya dilanjutkan proses resize yaitu untuk mengatur
ukuran citra wajah sesuai dengan resolusi yang telah ditetapkan
yaitu sebesar 128 px x 128 px.
Gbr. 3 Diagram Alur Proses Preprocessing
d. Algoritma Fisherface
190
Jurnal TICOM Vol. 6 No.3 Mei 2018
Proses perhitungan algoritma fisherfaces pada penelitian ini
adalah digambarkan pada diagram alir dibawah ini :
Gbr. 4 Proses Perhitungan Algoritma Fisherfaces
Tahap – tahap proses perhitungan fisherfaces pada Gambar
4 dijelaskan sebagai berikut :
1. Setelah didapatkan data wajah hasil dari preprocessing
selanjutnya data tersebut diubah menjadi matriks vector dan
nanti hasilnya berupa matriks, selanjutnya hasil dari matriks
vector lalu membentuk kelas.
2. Tahap selanjutnya menormalisasikan gambar wajah
masukan terhadapa nilai rata – rata training set (average
face,Ѱ )
3. Kemudian mencari nilai rata – rata tiap kelas terhadap nilai
proyeksi.
4. Pada tahap selanjutnya mencari matriks scatter within class
dengan maksud mencari jarak di antara kelas dan mencari
matriks scatter between class dengan maksud mencari jarak
di dalam kelas sendiri.
5. Lalu mencari nilai covarian yang merupakan inputan dari
nilai matriks scatter between class dikalikan invers dari
matriks scatter within class. Selanjutnya mencari nilai eigen
vector dan eigen value.
6. Setelah didapat nilai eigenvalue selanjutnya diurutkan dari
terbesar sampai terkecil yang bersesuaian dengan indeks
eigen vector dan kemudian diproyeksikan terhadap nilai
normalisasi sebagai matriks proyeksi.
7. Data hasil matriks proyeksi sebagai inputan dalam
mengklasifikasi dengan tujuan untuk mencari nilai
ketetanggaan dan mencari nilai minimum yang paling
dekat.
Setelah melakukan perhitungan fisherfaces, dilakukan
klasifikasi identitas. Klasifikasi identitas merupakan kegiatan
membandingkan bobot dari masing masing fisherfaces pada
citra wajah input dengan citra wajah di training set dengan
 Jurnal TICOM Vol. 6 No.3 Mei 2018

menghitung jarak euclediannya. Langkah – langkah klasifikasi

identitas adalah sebagai berikut :
1. Mengubah gambar wajah masukan menjadi vector kolom
2. Menormalisasikan gambar wajah masukan terhadap nilai
rata –rata training set (average face)
3. Menghitung bobot fisherfaces pada gambar masukan yaitu
dengan memproyeksikan gambar masukan ke dalam
matriks proyeksi optimal.
4. Menghitung jarak euclidean antara bobot input dengan
bobot training set.
5. Mencari dan membandingkan jark minimum dengan nilai
batas
IV. DISKUSI
Dalam penelitian ini akan dibahas tentang pengenalan
wajah dengan menggunakan haar cascade classifier dan
algoritma fisherface, dalam penelitian ini membahas teknik
normalisasi ilumintaion yang berguna untuk meningkatkan
kualitas gambar sehingga citra wajah dapat dikenali dengan
baik dan memiliki akurasi tinggi.
V. HASIL
a. Pengujian Deteksian Wajah
Tes pendeteksian wajah dilakukan pada beberapa kriteria,
seperti menghadap sudut, pencahayaan dan jarak antara benda
dengan kamera ponsel.
b. Hasil Pengujian Pengenalan Wajah
Proses pengujian pada aplikasi pengolahan nilai yang telah
dibuat menggunakan 11 buah sampel wajah, dimana selama
proses perekaman aplikasi pengguna, posisi wajah harus tegak
lurus menghadap ke depan ponsel kamera karena posisi
tersebut merupakan posisi normal pada Proses pencatatan dan
klarifikasi aplikasi pengguna. Jarak antara objek dan kamera
yang digunakan saat proses perekaman dan klarifikasi aplikasi
pengguna ± 60 cm. Berikut adalah hasil tes yang didapat:
T ABLE II
H AS IL PENG UJ IAN PENGEN A LA N W A J AH
No Citra Uji Hasil
1 Dikenali
2 Dikenali
3 Dikenali
4 Dikenali
5 Dikenali

T ABEL I
H AS IL PENG UJ IAN PENDETE KS IA N W AJ AH 6 Dikenali
Citra Uji Jenis Hasil
Pengujian
Kemiringan Terdeteksi 7 Dikenali
0o, 30 o

8 Dikenali
Kemiringan Terdeteksi
45 o
9 Dikenali
Kemiringan Terdeteksi
60o
10 Dikenali
Kemiringan Tidak
90o Terdeteksi
11 Tidak Dikenali

Cahaya
Gelap, Terdeteksi
Redup, dan
Terang

191

Gbr. 5 Proses Pengenalan Wajah
Sistem akan memindai wajah pengguna untuk proses
keamanan, sistem akan memungkinkan pengguna mengakses
sistem jika wajah pengguna dikenali oleh sistem, setelah itu
sistem akan masuk login login untuk proses keamanan kedua.
Gbr. 6 Halaman Login Dosen
Berdasarkan hasil pengujian pada tabel di atas, tingkat
akurasi yang diperoleh untuk:
10
= 100 % = 90,9 %
11
Bila dilihat dari perhitungan di atas, tingkat keberhasilan
identifikasi wajah yang telah dibangun mencapai 90,9% dan
terbukti dibangun model sistem keamanan dalam penerapan
pengolahan nilai dengan mengidentifikasi wajah pengguna
berdasarkan aplikasi smartphone android dengan menggunakan
kombinasi tangkai. Algoritma classifier cascade dan algoritma
fisherface dengan level Accuracy sebesar 90,9%.
VI. KESIMPUL AN
Kegagalan yang terjadi dalam proses pencatatan nilai
aplikasi pengguna pengolahan bisa disebabkan oleh beberapa
faktor, antara lain:
192
Jurnal TICOM Vol. 6 No.3 Mei 2018
1. Faktor pencahayaan, dimana bila pencahayaannya kurang
maka proses pendahuluan tidak akan menghasilkan
kesuksesan maksimal dan bisa mengalami kesalahan yang
berakibat pada wajah yang dikenali bukanlah wajah yang
dimaksud.
2. Faktor samping dan jarak antar kamera dengan objek terlalu
jauh, maka proses pengenalan tidak akan berjalan dengan
baik.
DAFTAR PUSTAK A
[ 1.] Das, A.K. & Bruhadeshwar, B. J Med., 2013, ‘An
Improved and Effective Secure Password-Based
Authentication and Key Agreement Scheme Using
Smart Cards for the Telecare Medicine Information
System’, Journal of Medical Systems.
[ 2.] Cahyadi, A., 2004, ‘Mengamankan transaksi di
internet suatu tinjauan terhadap justifikasi dan
metode’, Journal the winners, Vol. 5 No. 1 : 34 – 44.
[ 3.] Brey, P.,2004, ‘Ethical Aspects of Face Recognition
Systems in Public Places’, Journal ofInformation,
Communication & Ethics in Society, 2:2, 97-109
[ 4.] Kaddouhi.S.E et al, 2014, 'A New Robust Face
Detection Method Based on Corner Points',
nternational Journal of Software Engineering and Its
ApplicationsVol. 8, No. 11 (2014), pp. 25-40.
[ 5.] Amilia, S., Sulistiyo, M. D., & Dayawati, R. N., 2015.
‘Face Image-Based Gender Recognition Using
Complex-Valued Neural Network’, International
Conference on Information and Communication
Technology (ICoICT), 201–206.
[ 6.] Seo, N., 2010, ‘Pattern Recognition Project‘ ,
University of Maryland ENEE633 2-1
[ 7.] Muntasa et al., 2016, ‘Three – Directional Of The 1d
Diagonal Fisherface Modeling Based Feature
Extraction’, IEEEInternational Seminar On Intelligent
Technology And Its Application.
[ 8.] Vamshi Krishna Gudipati, V, K., Barman, O, R.,
Gaffoor, M., Harshagandha & Abuzneid, A., 2016,
‘Efficient Facial Expression Recognition Using
Adaboost and Haar Cascade Classifiers,’ IEEE
 PEDOMAN PENULISAN NASKAH
1. Maksud dan Tujuan :
Jurnal TICOM diterbitkan oleh Asosiasi Perguruan Tinggi Informatika dan Ilmu Komputer Wilayah 3 untuk media
penyebarluasan hasil penelitian yang dilakukan para peneliti di lingkungan Akademis maupun praktisi.
2. Jenis Naskah
Naskah yang diterima oleh redaksi dapat berupa hasil penelitian, kajian pada kasus tertentu, yang belum dan tidak akan
dipublikasikan dalam media cetak lain.
3. Bahasa : Tulisan yang dimuat dalam jurnal ini menggunakan bahasa Indonesia yang baku dan baik.
4. Naskah diberikan dalam bentuk file elektronik dengan format document dan dikirimkan ke email : jurnalticom@yahoo.co.id.
File attachment harus berisikan nama pengirim.
5. Sistematika penulisan disusun sebagai berikut :
a. Bagian Awal : judul, nama penulis dan instansinya, abstrak serta kata kunci.
b. Bagian Utama : isi naskah
c. Bagian Akhir : ucapan terima kasih bila naskah diambil dari hasil penelitian yang dibiayai oleh institusi atau kerjasama
dengan pihak lain, apendiks (jika ada); daftar pustaka; daftar gambar dan tabel.
6. Judul tulisan sesingkat mungkin tapi jelas, menunjukkan dengan tepat masalah yang hendak dikemukakan, tidak memberi
peluang penafsiran yang beraneka ragam, ditulis seluruhnya dengan Font : Times New Roman, size 24 dan center text, setiap
kata diawali dengan huruf besar kecuali untuk kata minor, seperti kata-kata pendek seperti, "sebuah", "dan", "di", "oleh",
"untuk", "dari", "pada", "atau", dan sejenisnya.
7. Nama penulis ditulis di bawah judul tanpa gelar diawali huruf kapital, bold, center text dan tidak diawali dengan kata “oleh”,
apabila penulis lebih dari satu orang, semua nama dicantumkan secara lengkap. (font : Times New Roman, size 11). Instansi
ditulis dengan Times New Roman, size 10, Italic.
8. Abstrak memuat semua inti permasalahan dalam format dua kolom, cara pemecahannya, dan hasil yang diperoleh, maksimum
sekitar 200 kata (font : Times New Roman, size 9 bold).
9. Panjang naskah 10 sampai 15 halaman dalam format dua kolom dengan ukuran kertas A4. Naskah ditulis dalam jarak 1 (satu)
spasi, dengan dua spasi di antara paragraf dan ½ (setengah) cm masuk (indent) di awal paragraf. Diizinkan ½ (setengah) spasi
tambahan di atas garis yang berisi suatu superskrip dan di bawah garis subskrip. Jenis huruf yang digunakan adalah Times
New Roman (font size 10).
10. Batas pengetikan : tepi atas 1,9 centimeter, tepi bawah 4,3 centimeter, sisi kiri = sisi kanan 1,432 centimeter.
11. Seluruh teks dan gambar berada di dalam batas kolom. Gambar yang memerlukan tempat melebihi lebar batas kolom dapat
diletakkan menyilang pada kolom-kolom tersebut atau dapat dibuat dalam satu kolom.
12. Untuk penulisan keterangan pada gambar, ditulis gambar 1 lalu keterangan gambarnya.
13. Bila sumber gambar diambil dari buku atau sumber lain, maka di bawah keterangan gambar ditulis nama penulis dan tahun
penerbitan.
14. Acuan ke daftar pustaka (referensi) harus ditandai di dalam teks dengan nomor di dalam kurung persegi (contoh: [1]).
Referensi dinomori berdasarkan urutan rujukannya pada makalah. Format penulisan dalam daftar pustaka adalah sebagai
berikut:
· Makalah : penulis, judul, jurnal (huruf miring), isi dan nomor keluaran, tahun, dan halaman. Contoh:
[1] T.C. Hsia, Simple Robust Schemes for Space Control of Robot Manipulators, Int'l J. of Robotics and Automation,
9(4), 1994, 167-174.
· Buku : penulis, judul (huruf miring), lokasi penerbit, penerbit, tahun.
Contoh:
[2] M. Kayston and W.R. Fried, Avionic Navigation Systems, New York: John Wiley and Sons, Inc., 1969
 Contoh Paper Jurnal TICOM untuk Kertas Ukuran
A4
Penulis Pertama, Penulis Kedua2, Penulis Ketiga3
1,3
Jurusan Teknik Informatika Univ. Pancasila
Jln. Lenteng Agung, Jakarta INDONESIA
2
Institusi non TI UP
Alamat termasuk nama negara

Abstrak— Dokumen ini merupakan format panduan bagi penulis
untuk mennulis makalah yang siap dipublikasikan dalam jurnal.
Dokumen ini disadur dari IEEE tempalate. Para penulis harus
mengikuti petunjuk yang diberikan dalam panduan ini. Anda
dapat menggunakan dokumen ini baik sebagai petunjuk
penulisan dan sebagai template di mana Anda dapat mengetik
teks Anda sendiri.
Judul harus dalam Reguler 24 pt font. Nama pengarang harus
dalam Reguler 11 pt font. Afiliasi penulis harus dalam Italic 10
pt. Alamat email harus di 9 pt font Courier Regular.
TABEL I
U KUR AN FO NT UN TU K M AK AL A H

Font Appearance (in Time New Roman or Times)

Kata Kunci— Letakkan kata kunci Anda di sini, kata kunci Size Regular Bold Italic
dipisahkan dengan koma. 8 table caption (in reference item
Small Caps), (partial)
I. PEND AH ULUAN figure caption,
Dokumen ini adalah template. Sebuah salinan elektronik reference item
yang dapat di-download dari situs web Aptikom wilayah 3. 9 author email address abstract abstract heading
Untuk pertanyaan di atas kertas panduan, silakan hubungi (in Courier), body (also in Bold)
redaksi jurnal seperti yang ditunjukkan pada situs web. cell in a table
10 level-1 heading (in level-2 heading,
Informasi tentang makalah penyerahan tersedia dari situs web
Small Caps), level-3 heading,
Aptikom wilayah 3. paragraph author affiliation
11 nama pengarang
II. FORMAT HALAM AN
24 Judul
Cara paling mudah untuk memenuhi persyaratan format
penulisan adalah dengan menggunakan dokumen ini sebagai Judul dan pengarang harus dalam format kolom tunggal dan
template. Kemudian ketikkan teks anda ke dalamnya harus terpusat. Setiap awal kata dalam judul harus huruf besar
kecuali untuk kata-kata pendek seperti, "sebuah", "dan", "di",
A. Format Penulisan
"oleh", "untuk", "dari", , "pada", "atau", dan sejenisny
Ukuran kertas harus sesuai dengan ukuran halaman A4, yaitu Penulisan penulis tidak boleh menunjukkan nama jabatan a.
210mm (8,27 ") lebar dan 297mm (11,69") lama. Batas margin (misalnya Dosen Pembimbing), apapun gelar akademik
ditetapkan sebagai berikut: (misalnya Dr) atau keanggotaan dari setiap organisasi
· Atas = 19mm (0.75") profesional (misalnya Senior Member IEEE).
· Bawah = 43mm (1.69") Agar tidak membingungkan, nama keluarga ditulis di bagian
· Kiri = Kanan = 14.32mm (0.56") terakhir dari masing-masing nama pengarang (misalnya
Artikel penulisan harus dalam format dua kolom dengan Yohanes AK Smith). Setiap afiliasi harus termasuk, setidaknya,
ruang 4.22mm (0,17 ") antara kolom. nama perusahaan dan nama negara tempat penulis didasarkan
(misalnya kausal Productions Pty Ltd, Australia).
III. STYLE HALAM AN
Alamat email ini wajib bagi penulis yang bersangkutan.
Paragraph harus teratur. Semua paragraf harus rata, yaitu
sama-sama rata kiri dan dan rata kanan. C. Bagian Heading
Sebaiknya tidak lebih dari 3 tingkat untuk heading. Semua
A. Huruf-huruf Dokumen
tulisan harus dalam font 10pt. Setiap kata dalam suatu tulisan
Seluruh dokumen harus dalam Times New Roman atau harus huruf kecil kecuali untuk kata-kata pendek seperti yang
Times font. Type 3 font tidak boleh digunakan. Jenis font lain tercantum dalam Bagian III-B.
dapat digunakan jika diperlukan untuk tujuan khusus.
Fitur ukuran font terlihat pada Tabel 1. 1) Heading Level-1: Heading level 1 harus dalam Small
Caps, terletak di tengah-tengah dan menggunakan penomoran
B. Judul dan Penulis angka Romawi huruf besar. Sebagai contoh, lihat judul "III.
Style Halaman "dari dokumen ini. Judul dengan heading 1 yang
tidak boleh dihitung adalah "Ucapan Terima Kasih" dan
"Referensi"..
2) Heading Level-2: Heading level-2 harus miring, merapat
ke kiri dan nomor menggunakan abjad huruf besar. Sebagai
contoh, lihat judul "C. Bagian Heading "di atas.
3) Heading Level-3: Heading level-3 harus menjorok,
miring dan dinomori dengan angka Arab diikuti dengan tanda
kurung kanan. Heading level 3 harus diakhiri dengan titik dua.
Tulisan bersambung mengikuti judul heading dengan baris
yang sama. Sebagai contoh, ayat ini diawali dengan heading
level 3.
D. Gambar dan Tabel
Figures and tables must be centered in the column. Large
figures and tables may span across both columns. Any table or
figure that takes up more than 1 column width must be
positioned either at the top or at the bottom of the page.
Graphics may be full color. All colors will be retained on
the CDROM. Graphics must not use stipple fill patterns
because they may not be reproduced properly. Please use only
SOLID FILL colors which contrast well both on screen and on
a black-and-white hardcopy, as shown in Fig. 1
Gambar dan tabel harus terletak di tengah (centered). Besar
gambar dan tabel bisa span di kedua kolom. Setiap tabel atau
gambar yang mencakup lebih dari 1 kolom lebar harus
diposisikan baik di bagian atas atau di bagian bawah halaman.
Gambar grafik dimungkinkan berwarna. Semua warna akan
dipertahankan pada CDROM. Grafik jangan menggunakan
pola titik-titik karena ada kemungkinan tidak dapat dicetak
sesuai aslinya. Gunakan SOLID FILL dan warna yang kontras
untuk tampilan di layar komputer, dan gunakan warna hitam-
putih untuk hardcopy, seperti ditunjukkan pada Gambar. 1.
Gbr. 1 Contoh grafik garis menggunakan warna yang kontras di layar computer,
dan menghasilkan grafik hitam-putih untuk versi cetak
Gbr. 2 menunjukkan contoh sebuah gambar dengan resolusi
rendah yang kurang sesuai ketentuan, sedangkan Gambar. 3
menunjukkan contoh dari sebuah gambar dengan resolusi yang
memadai. Periksa bahwa resolusi gambar cukup untuk
mengungkapkan rincian penting pada gambar.
Please check all figures in your paper both on screen and on
a black-and-white hardcopy. When you check your paper on a
black-and-white hardcopy, please ensure that Harap periksa
semua gambar baik di layar maupun hasil pada versi cetak.
Ketika memeriksa gambar versi cetak, pastikan bahwa::
· warna mempunyai kontras yang cukup,
· gambar cukup jelas,
· semua label pada gambar dapat dibaca.
E. Keterangan Gambar
Figures must be numbered using Arabic numerals. Figure
captions must be in 8 pt Regular font. Captions of a single line
(e.g. Fig. 2) must be centered whereas multi-line captions must
be justified (e.g. Fig. 1). Captions with figure numbers must be
placed after their associated figures, as shown in Fig. 1.
Gambar diberi nomor dengan menggunakan angka Arab.
Keterangan gambar dalam 8 pt Reguler font. Keterangan
gambar dalam satu baris (misalnya Gbr. 2) diletakkan di tengah
(centered), sedangkan keterangan multi-baris harus dirata kiri
(misalnya Gbr. 1). Keterangan gambar dengan nomor gambar
harus ditempatkan sesuai dengan poin-poin terkait, seperti
ditunjukkan pada Gbr. 1.
F. Keterangan Tabel
Tables must be numbered using uppercase Roman numerals.
Table captions must be centred and in 8 pt Regular font with
Small Caps. Every word in a table caption must be capitalized
except for short minor words as listed in Section III-B.
Captions with table numbers must be placed before their
associated tables, as shown in Table 1.
Tabel diberi nomor menggunakan angka Romawi huruf
besar. Keterangan tabel ditengah dan font 8 pt Reguler dengan
Small Caps. Setiap kata dalam judul tabel menggunakan huruf
kecil kecuali untuk kata-kata pendek seperti yang tercantum
pada Bagian III-B. Keterangan angka tabel ditempatkan
sebelum tabel terkait, seperti ditunjukkan pada Tabel 1.
G. Nomor Halaman, Headers dan Footers
Nomor halaman, headers dan footers tidak dipakai.
H. Links dan Bookmark
Semua hypertext link dan bagian bookmark akan dihapus.
Jika paper perlu merujuk ke Internet alamat email atau URL di
artikel, maka alamat atau URL lengkap harus ditulis dengan
font biasa.

Gbr. 1 Contoh gambar dengan resolusi kurang
Gbr. 2 Contoh gambar dengan resolusi cukup
I. Referensi
The heading of the References section must not be
numbered. All reference items must be in 8 pt font. Please use
Regular and Italic styles to distinguish different fields as shown
in the References section. Number the reference items
consecutively in square brackets (e.g. [1]).
When referring to a reference item, please simply use the
reference number, as in [2]. Do not use “Ref. [3]” or
“Reference [3]” except at the beginning of a sentence, e.g.
“Reference [3] shows …”. Multiple references are each
numbered with separate brackets (e.g. [2], [3], [4]–[6]).
Examples of reference items of different categories shown in
the References section include
Judul pada bagian Referensi tidak boleh bernomor. Semua
item referensi dalam 8 pt font. Silakan gunakan Italic Reguler
dan gaya untuk membedakan berbagai bidang seperti
ditunjukkan pada bagian Referensi. Jumlah item referensi
berturut-turut dalam tanda kurung siku (misalnya [1]).
Ketika mengacu pada item referensi, silakan menggunakan
nomor referensi saja, seperti dalam [2]. Jangan menggunakan
"Ref. [3] "atau" Referensi [3] "kecuali pada awal kalimat,
misalnya "Referensi [3] menunjukkan bahwa ...". Beberapa
referensi masing-masing nomor dengan kurung terpisah
(misalnya [2], [3], [4] - [6]). Beberapa contoh item referensi
dengan kategori yang berbeda ditampilkan dalam bagian
Referensi meliputi:
· contoh untuk buku pada [1]
· contoh sebuah buku dalam seri dalam [2]
· Contoh artikel jurnal di [3]
· contoh paper seminar di [4]
· Contoh paten dalam [5]
· contoh website di [6]
· contoh dari suatu halaman web di [7]
· contoh manual databook dalam [8]
· contoh datasheet di [9]
· contoh tesis master di [10]
· contoh laporan teknis [11]
· contoh standar dalam [12]
IV. PENUTUP
Template ini adalah versi pertama. Sebagian besar petunjuk
format di dokumen ini disadur dari template untuk artikel IEEE.
UCAPAN TERIMA KASIH
Judul untuk ucapan terima kasih dan referensi tidak diberi
nomor. Terima kasih disampaikan kepada teman-teman yang
telah meluangkan waktu untuk membuat template ini.
REFERENSI
[1] S. M. Metev and V. P. Veiko, Laser Assisted Microtechnology, 2nd ed.,
R. M. Osgood, Jr., Ed. Berlin, Germany: Springer-Verlag, 1998.
[2] J. Breckling, Ed., The Analysis of Directional Time Series: Applications
to Wind Speed and Direction, ser. Lecture Notes in Statistics. Berlin,
Germany: Springer, 1989, vol. 61.
[3] S. Zhang, C. Zhu, J. K. O. Sin, and P. K. T. Mok, “A novel ultrathin
elevated channel low-temperature poly-Si TFT,” IEEE Electron Device
Lett., vol. 20, pp. 569–571, Nov. 1999.
[4] M. Wegmuller, J. P. von der Weid, P. Oberson, and N. Gisin, “High
resolution fiber distributed measurements with coherent OFDR,” in
Proc. ECOC’00, 2000, paper 11.3.4, p. 109.
[5] R. E. Sorace, V. S. Reinhardt, and S. A. Vaughn, “High-speed digital-
to-RF converter,” U.S. Patent 5 668 842, Sept. 16, 1997.
[6] (2002) The IEEE website. [Online]. Available: http://www.ieee.org/
[7] M. Shell. (2002) IEEEtran homepage on CTAN. [Online]. Available:
http://www.ctan.org/tex-
archive/macros/latex/contrib/supported/IEEEtran/
[8] FLEXChip Signal Processor (MC68175/D), Motorola, 1996.
[9] “PDCA12-70 data sheet,” Opto Speed SA, Mezzovico, Switzerland.
[10] A. Karnik, “Performance of TCP congestion control with rate feedback:
TCP/ABR and rate adaptive TCP/IP,” M. Eng. thesis, Indian Institute of
Science, Bangalore, India, Jan. 1999.
[11] J. Padhye, V. Firoiu, and D. Towsley, “A stochastic model of TCP Reno
congestion avoidance and control,” Univ. of Massachusetts, Amherst,
MA, CMPSCI Tech. Rep. 99-02, 1999.
[12] Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY)
Specification, IEEE Std. 802.11, 1997.
ASOSIASI PERGURUAN TINGGI INFORMATIKA & ILMU KOMPUTER
(APTIKOM) WILAYAH 3